Searth Transformer: 지구의 지ospheric 물리적 특성을 통합한 트랜스포머 아키텍처를 이용한 글로벌 중장기 기상 예보

Searth Transformer: A Transformer Architecture Incorporating Earth's Geospheric Physical Priors for Global Mid-Range Weather Forecasting

정확한 글로벌 중장기 기상 예보는 지구 시스템 과학의 근간입니다. 대부분의 기존 트랜스포머 기반 예보 모델은 지구의 구형 기하학적 특성과 구역별 주기성을 간과하는 시각 중심 아키텍처를 채택하고 있습니다. 또한, 기존의 자기회귀적 학습 방식은 계산 비용이 많이 들고, 오류 축적으로 인해 예보 범위를 제한합니다. 이러한 문제점을 해결하기 위해, 지구의 구역별 주기성과 경도 경계를 윈도우 기반 자기 주의 메커니즘에 통합하여 물리적으로 일관된 글로벌 정보 교환을 가능하게 하는 물리학 기반 아키텍처인 Shifted Earth Transformer (Searth Transformer)를 제안합니다. 또한, 제한된 메모리와 계산 자원 하에서 장거리 대기 진화를 학습할 수 있는 Relay Autoregressive (RAR) 미세 조정 전략을 도입합니다. 이러한 방법론을 바탕으로, 글로벌 중장기 기상 예보 모델인 YanTian을 개발했습니다. YanTian은 유럽 중기 기상 예보 센터의 고해상도 예보보다 높은 정확도를 달성했으며, 1도 해상도에서 최첨단 AI 모델과 경쟁적인 성능을 보입니다. 동시에, 표준 자기회귀적 미세 조정 방식보다 약 200배 낮은 계산 비용을 요구합니다. 더욱이, YanTian은 Z500의 경우 HRES (9일)보다 더 긴 예측 정확도를 보이는 기간 (10.3일)을 달성합니다. 본 연구는 기상 예보를 넘어, 복잡한 글로벌 규모의 지구 물리 순환 시스템 예측 모델링을 위한 견고한 알고리즘 기반을 제공하며, 지구 시스템 과학 분야에 새로운 가능성을 제시합니다.

Accurate global medium-range weather forecasting is fundamental to Earth system science. Most existing Transformer-based forecasting models adopt vision-centric architectures that neglect the Earth's spherical geometry and zonal periodicity. In addition, conventional autoregressive training is computationally expensive and limits forecast horizons due to error accumulation. To address these challenges, we propose the Shifted Earth Transformer (Searth Transformer), a physics-informed architecture that incorporates zonal periodicity and meridional boundaries into window-based self-attention for physically consistent global information exchange. We further introduce a Relay Autoregressive (RAR) fine-tuning strategy that enables learning long-range atmospheric evolution under constrained memory and computational budgets. Based on these methods, we develop YanTian, a global medium-range weather forecasting model. YanTian achieves higher accuracy than the high-resolution forecast of the European Centre for Medium-Range Weather Forecasts and performs competitively with state-of-the-art AI models at one-degree resolution, while requiring roughly 200 times lower computational cost than standard autoregressive fine-tuning. Furthermore, YanTian attains a longer skillful forecast lead time for Z500 (10.3 days) than HRES (9 days). Beyond weather forecasting, this work establishes a robust algorithmic foundation for predictive modeling of complex global-scale geophysical circulation systems, offering new pathways for Earth system science.