과학 연구에서는 '만약 조건이 달랐다면 어떤 결과가 나왔을까?'와 같은 반사실적 질문에 답하는 것이 매우 중요합니다. 하지만 기존 모델들은 관측된 데이터에는 정확해도, 상관관계가 있는 입력값을 독립적으로 변경하는 '가상 시나리오'에서는 예측에 실패하는 경우가 많았습니다. 이러한 문제를 해결하기 위해 통제된 시뮬레이션 데이터를 추가하는 방법이 있었지만, 이는 비용이 많이 들고 시뮬레이터의 가정에 갇히는 한계가 있었습니다. 최근 'ReRoute'라는 새로운 프레임워크가 이러한 통제 실험 데이터 없이도 정확한 반사실적 예측을 가능하게 하여 주목받고 있습니다.
ReRoute는 사전 학습된 모델의 특정 입력값을 참조 값으로 고정하고, 알려진 메커니즘 경로를 통해 그 변화를 다시 도입합니다. 그리고 원래의 실제(factual) 데이터로 미세조정(fine-tuning)하여 하위 효과는 학습된 동역학에 맡기는 방식입니다. 연구진은 이 방법이 정확한 반사실적 예측을 달성함을 입증했습니다. 특히, 기후 에뮬레이션(climate emulation) 분야에서 ReRoute는 심각한 이산화탄소(CO₂) 분포 변화 상황에서 기후 오차를 18.2%에서 31.8%까지 줄였으며, 이는 추가적인 통제 시뮬레이션 데이터를 생성하고 재학습하는 비용의 극히 일부만으로 달성되었습니다. 또한, 반사실적 참조 데이터가 없는 역사적 ERA5 재분석 데이터에서도 관측된 경계 조건 하에 고정된 CO₂ 시나리오에서 표면 온난화(surface warming)를 더 잘 보존하는 결과를 보였습니다.
이러한 ReRoute의 등장은 복잡한 과학 시스템의 이해와 예측에 혁신적인 변화를 가져올 수 있습니다. 특히 기후 변화, 신약 개발, 재료 과학 등 통제된 실험이 어렵거나 불가능한 분야에서 '만약'이라는 질문에 답할 수 있는 강력한 도구가 될 것입니다. 적은 비용으로도 고품질의 반사실적 예측을 가능하게 함으로써, 연구자들이 더 빠르고 효율적으로 가설을 검증하고 정책 결정을 지원하는 데 크게 기여할 것으로 기대됩니다. 이는 단순히 데이터를 분석하는 것을 넘어, 미래를 탐색하고 잠재적 시나리오를 이해하는 새로운 길을 열어줄 것입니다.