기록에 없는 재난을 AI가 그린다 — MIT가 ‘100년 빈도 위험’을 계산한 방법

재난 대비에는 근본적인 어려움이 있다. 가장 위험한 사건에 대비해야 하지만, 그런 사건은 드물어 학습자료가 부족하다. 어느 지역의 기록상 최대 강우량이 200㎜라면 300㎜ 폭우의 위치와 범위, 지속시간을 직접 보여주는 관측자료는 없다. 과거 사례를 학습하는 AI도 이 한계를 피하기 어렵다.

MIT 연구진은 2026년 8월 24일 극한재해 사례가 학습자료에 없어도 통계적으로 가능한 위험 상황을 생성하는 기계학습 기법을 공개했다. 연구진은 이 방법을 ‘Extreme Event Aware Learning’, 즉 ‘η-learning’이라 명명했다.

과거의 최악이 미래의 상한선은 아니다

도시계획가와 보험회사는 “100년에 한 번 발생할 폭우가 닥치면 어디까지 침수되는가”를 알고 싶어 한다. 기존 시뮬레이션은 대형 태풍이나 홍수 자료를 학습한 뒤 더 강한 재난을 추정한다.

그러나 관측 기간이 짧은 지역에는 100년 빈도 재난이 한 번도 기록되지 않았을 수 있다. 기후와 도시 환경이 달라지면 과거에 없던 위험의 결합도 발생한다. 기록된 최대 재난을 정교하게 재현해도 미래의 미발생 사건까지 충분히 설명하기 어려운 이유다.

MIT 연구진은 과거 최악의 재난을 재현하는 대신, 관측된 적은 없지만 통계적으로 성립할 수 있는 재난의 모습에 초점을 맞췄다.

평범한 기록에서 극한 지도를 만든다

η-learning은 두 종류의 정보를 결합한다. 첫째는 특정 강우량이 얼마나 자주 나타나는지를 계산한 지점 통계다. 둘째는 비가 어느 지역에 어떤 형태로 퍼지는지를 나타낸 공간 지도다.

연구진은 미국 본토의 25년간 시간별 강수 지도를 일별 자료로 정리했다. 전체 기록에서는 지도상 최대 강우량의 발생 빈도를 계산했지만, 공간 형태의 학습에는 첫 6개월 자료만 사용했다. 이 기간에는 극단적인 강우 사례가 거의 없었다.

알고리즘은 저해상도 강수 패턴과 고해상도 지도의 관계를 학습하고, 지점 통계로 가능한 강우 범위를 제한했다. 그 결과 학습자료보다 강한 폭우도 현실적인 공간 구조를 유지하며 생성했다.

사용자가 “뉴욕에 100년 빈도 폭우가 내리면 어떤 모습인가”라고 요청하면 위치·면적·강도·지속시간이 다른 수천 개의 가능 지도를 제시할 수 있다. 특정 날짜의 재난을 예언하지 않고, 같은 발생 빈도 안에서 성립할 수 있는 여러 상황을 보여준다.

핵심 용도는 예언이 아니라 스트레스 테스트다

도시는 단일 예상도에 맞춰 방재시설을 설계하기보다 여러 극한 상황에서 반복해 견디는지 확인해야 한다. 방조제가 어느 수위에서 무너지는지, 폭염이 지속될 때 전력망의 어느 지점이 먼저 약해지는지, 산불 확산 범위에 비해 진화 인력이 부족하지 않은지 시험할 수 있다.

관련 통계와 공간자료가 확보된다면 홍수·산불·폭염에도 응용할 수 있다. 연구진은 로봇의 돌발상황 대응과 금융시장 붕괴 가능성도 잠재적 적용 분야로 제시했다. 특히 금융위기는 한 부문의 충격보다 여러 시장의 상호작용을 통해 증폭되므로, 과거에 없던 위험 결합을 탐색할 필요가 있다.

가능성과 예측은 구분해야 한다

AI가 생성한 지도는 확정된 미래가 아니다. 입력자료가 부정확하거나 기후 조건이 급변하면 결과도 현실에서 벗어날 수 있다. η-learning은 “이 재난이 반드시 발생한다”고 판단하지 않고, 정해진 통계 조건에서 가능한 시나리오를 제시한다.

따라서 정책기관은 여러 결과의 확률과 전제조건을 함께 공개해야 한다. 물리 기반 기후모델과 현장자료, 전문가 판단을 결합한 교차검증도 필요하다.

현대의 전력망·식량망·물류망은 효율을 높인 대신 충격을 흡수할 여유가 줄었다. 한 지역의 재난이 공급망과 에너지, 물가로 빠르게 번질 수 있다. 기록에 없는 위험까지 시험할 수 있다면 AI의 역할은 미래를 맞히는 수준을 넘어선다. 아직 발생하지 않은 위기에 대비할 선택지를 넓힌다.