극단 현상 예측을 위한 딥러닝 동역학
고차원 혼돈 동역학 시스템에서 발생하는 극단 현상은 희귀하고 간헐적이며, 제한된 관측으로는 식별하기 어려운 과도 동역학 메커니즘에 의해 발생하므로 예측이 매우 어렵습니다. 본 연구는 사건 발생에 선행하는 과도 불안정성을 추적하는 해석 가능하고 메커니즘 인식형 선행 지표를 기반으로, 극단 현상의 실시간 예측을 위한 완전 데이터 기반 프레임워크를 제안합니다. 구체적으로, 본 연구에서는 유한 시간 리아푸노프 지수(FTLE)를 선행 지표로 활용하며, 이는 차수 축소 및 방정식 독립적인 정식을 통해 상태 스냅샷으로부터 직접 계산됩니다. 불안정성 동역학을 최적의 시간 의존 모드(OTD)로 구성된 적응적으로 진화하는 부분 공간으로 제한함으로써, 고전적인 FTLE 계산 비용을 크게 줄이면서도 지배적인 과도 증폭 방향을 유지합니다. 이렇게 얻은 FTLE 시퀀스는 트랜스포머 기반 모델의 입력으로 사용되어 미래 예측 시점의 시스템 관측값을 예측하고, 이를 통해 극단 현상의 장기 예측을 가능하게 합니다. 본 프레임워크를 간헐적 난류의 대표적인 모델인 콜모고로프 유동에 적용하여 그 성능을 입증했습니다. 연구 결과는 과도 불안정성 메커니즘을 명시적으로 인코딩하는 것이 기존의 관측값 기반 접근 방식에 비해 극단 현상 예측의 예측 범위를 상당히 확장함을 보여줍니다. 이는 복잡한 시스템의 예측 능력 향상에 중요한 기여를 합니다.