MIT, 극한 사건 데이터 없이 그럴듯한 극한 사건을 생성하다

인프라 계획가, 정책 입안자, 보험사는 100년에 한 번 올 폭풍, 폭염, 산불, 홍수가 어떤 모습일지 알아야 한다. 역사적 기록은 그 질문에 대한 훈련 데이터로 부적합하다. 극한 사건은 드물고, 한 지역이 겪은 최악의 사건조차 앞으로 견뎌야 할 사건보다 온화할 수 있기 때문이다.

MIT 공학자 Kai Chang과 Themis Sapsis는 그러한 극한의 사례 없이 그럴듯한 전례 없는 시나리오를 생성하기 위해 Extreme Event Aware, 즉 η-learning을 개발했다. 이 알고리즘은 강우량이 특정 수준에 도달하는 빈도 같은 점 통계와 사건이 어디로 확산되는지 같은 공간 지도 사이의 관계를 학습한다. 통계는 그럴듯하지 않은 규모를 배제하고, 지도는 현실적인 지리적 분포를 제공한다.

이 팀은 미국 본토 상공의 25년간 시간별 강수 지도를 사용해, 이 방법으로 100년에 한 번 오는 폭풍의 수천 가지 실현을 생성할 수 있음을 보여주었으며, 여기에는 훈련 데이터의 어떤 사건보다도 강한 사건이 포함되었다. 계획가는 뉴욕시에 300밀리미터 폭풍이 닥치면 어떤 모습일지 물어보고 가능한 규모, 범위, 강도의 지도를 받을 수 있다.

이 접근법은 그럴듯한 홍수와 산불도 시각화할 수 있으며 로봇 내비게이션과 금융 시장 붕괴에도 적용될 수 있다. 이 연구는 Nature Communications에 게재되었으며, 이는 계획 및 시뮬레이션 방법이지 특정 미래 사건이 일어날 것이라는 증거는 아니다.

점 통계로 공간 생성을 제약하다

과거 극한 사건만으로 훈련된 모델은 계획가에게 역사적 기록보다 심각한 사건을 직접 보여줄 수 없다.

점 통계는 훈련 사례에 대응하는 극한 지도가 없어도 희귀 사건의 빈도와 규모 제약을 제공한다.

공간 지도는 생성된 폭풍이나 산불이 단지 거대한 것이 아니라 그럴듯하게 보이도록 하는 지리적 관계를 보존한다.

수천 가지 실현을 통해 계획가는 하나의 예측에 베팅하는 대신 신뢰할 수 있는 시나리오의 분포를 탐색할 수 있다.

계획해야 할 사건이 역사에 없다면, 그 빈도와 공간적 형태를 분리하고 두 제약을 모두 충족하는 시나리오를 생성하라. 더 많은 역사를 기다리지 말고.

이 방법은 지역사회가 아직 관측되지 않은 그럴듯한 사건에 대비해 방파제, 전력망, 소방 자원, 공급망을 스트레스 테스트할 수 있는 수단을 제공한다. 이 기사는 이를 홍수, 산불, 로봇공학, 시장으로 확장할 수 있는 연구 도구로 제시하며, 배치된 계획 시스템이나 측정된 손실 감소를 보고하지는 않는다.