보이지 않는 극단을 상상하다: MIT의 통계적 도박과 그 수학적 대가

역사적 전례가 없는 기상 현상을 예측하는 일은 데이터 기반 모델에 주어진 가장 어려운 과제 중 하나다. 과거 사례가 없는 바로 그 지점에서 불확실성이 폭발하기 때문이다. 이 한계를 넘기 위해 2026년 8월 20일 Nature Communications에 실린 논문 “Extreme Event Aware (η-) Learning”(논문 s41467-026-76811-x)은 극단성을 나타내는 관측량의 통계로 학습을 제약하자고 제안한다. 저자는 MIT Center for Computational Science and Engineering의 박사과정생 카이 창과 테미스 삽시스 교수로, 이 제약을 손실 함수에 1-Wasserstein 항으로 넣었다. 창은 MIT News에 목표가 “아무도 본 적 없고 데이터셋에도 없는, 극단적이고 전례 없는 사건을 모델링하는 것”이라고 설명했다.

방법의 효과는 ERA5-Land 데이터셋을 이용한 강수 다운스케일링 과제에서 검증됐다. 대상은 1999년부터 2023년까지 미국 본토의 시간당 총강수량으로, 일 단위 지도로 집계됐다. 모델의 공간 부분은 기록의 첫 6개월만으로 학습됐는데, MIT에 따르면 이 구간에는 극한 강우 사례가 거의 없었다. 평가는 고해상도와 저해상도가 짝을 이룬 9,044장의 지도에서 이뤄졌다. 이 접근법은 역사적 전례가 없는 최악의 시나리오를 계획 담당자가 수치로 가늠할 수 있게 하려고 만들어졌다. 삽시스가 언급한 “백 년에 한 번 오는 카트리나”가 그 예다. MIT 보도자료는 문제를 질문으로 제시한다. 뉴욕에서 기록된 가장 극심한 강우가 200밀리미터라면, 300밀리미터를 만들 폭풍은 어떤 것인가? 이는 질문을 세우는 방식이지, 모델이 낸 결과가 아니다.

다만 역사적 데이터 바깥으로 나아가는 능력에는 지점별 충실도라는 비용이 따른다. arXiv 프리프린트의 수치에 따르면(Nature Communications 최종본은 유료 장벽 탓에 대조하지 못했다), 통계적 제약을 넣으면 평균제곱오차(MSE)만으로 하는 표준 학습에 비해 지점별 충실도가 떨어진다. 전체 필드에서 평균제곱근오차(RMSE)는 2.878에서 3.112로(+8.13%) 오르고, 구조적 유사성 지수(SSIM)는 0.947에서 0.944로 내려간다. 꼬리 부분집합 — 분위수 ≥0.95, ≥0.975, ≥0.99 — 에서는 RMSE 증가가 9.21%에서 10.30%에 이르는 반면 SSIM 손실은 0.48% 아래에 머문다. 벌크 부분집합에서는 RMSE가 6.20~6.92% 늘어난다. 정확도는 어디서나 나빠지지만, 이 방법이 제 몫을 해야 할 바로 그곳에서 가장 크게 나빠진다는 뜻이다. 저자들이 스스로 인정한 한계로는 스칼라 관측량만으로 극단 사건의 공간적 위치를 일의적으로 정할 수 없다는 점, 기준 분포를 올바로 지정하는지에 결과가 결정적으로 좌우된다는 점, 그리고 사건을 만드는 물리적 메커니즘이 규명되지 않는다는 점이 있다.

Vannevar Bush Faculty Fellowship과 미 공군과학연구소(U.S. Air Force Office of Scientific Research)의 지원을 받은 이 연구는 로봇 항법과 금융시장으로의 이론적 응용 가능성도 언급한다. 그러나 방법이 입증된 것은 강수라는 단일 변수와 미국 본토라는 단일 지역뿐이며, 그것도 직접 관측이 아닌 재분석 자료다. MIT 스스로도 다른 재해로 확장하려면 그 재해에 특화된 통계와 지도가 필요하다고 적었다. 저자 그룹 밖의 독립적 검증은 확인되지 않으며, 재난관리기관이나 기상청의 실무 도입 사례도 없다.

맞바꿈은 공개돼 있다. 어디서나 몇 퍼센트포인트의 정확도를 내주는 대신, 역사적 데이터가 담지 못한 시나리오를 얻는다. 그것이 남는 장사인지는 미리 고른 기준 분포가 현실과 얼마나 닮았는지에 달렸다 — 저자들 자신이 결정적이라고 짚은 바로 그 지점이다.

— Olya