Microsoft Research는 전력망의 우주 기상 위험을 예측하고 있지만, 운영자에게는 여전히 검증이 필요하다

Microsoft Research는 특정 위험이 나타나기 30~60분 전에 전력망의 우주 기상 위험을 예측하는 시스템을 구축했다. 이 실험적 파이프라인은 미국 본토 전역의 변전소 66,935곳에 대한 지역별 위험을 추정한다. 이는 지자기 폭풍이 다가오고 있다는 광범위한 경고보다 훨씬 정밀한 목표 설정이다.

이 시스템은 우주 기상 예보와 전력회사 관제실의 의사결정 사이에 지속돼 온 간극을 겨냥한다. 운영자에게는 어느 위치가 가장 큰 스트레스를 받는지, 그 스트레스가 언제 도달하는지, 그리고 보호 조치가 정당한지에 대한 정보가 필요하다.

Microsoft는 평가 과정에서 주요 이벤트의 약 80%를 탐지했다고 밝혔다. 다만 전력회사가 이 모델에 의존하기 전에 운영 데이터를 통해 검증해야 한다는 점도 인정했다. 이제 핵심 질문은 머신러닝이 대륙 규모의 위험 지도를 만들 수 있는지 여부가 아니다. 오류의 비용이 가장 큰 희귀 폭풍 상황에서도 이러한 예측이 신뢰성을 유지하는지가 관건이다.

전력망의 우주 기상 위험 예측이 위치별로 구체화되다

Microsoft의 핵심 진전은 유입되는 태양 교란과 개별 변전소의 위험 추정치를 연결한 데 있다.

2026년 9월 30일 공개된 위험 예측 파이프라인은 L1으로 알려진 첫 번째 태양-지구 라그랑주점에서의 태양풍 측정으로 시작한다. 이 관측 지점은 태양풍의 상류에 위치해 있어, 예보관이 지구를 향해 이동하는 상태를 짧은 시간 동안 미리 파악할 수 있게 한다.

이 시스템은 지자기 활동을 나타내는 두 가지 지표를 예측한다. 오로럴 일렉트로젯 지수(AE)는 오로라 영역 주변의 전류와 연관된 자기 활동을 추적한다. 교란 폭풍 시간 지수(Dst)는 폭풍이 발생하는 동안 지구를 둘러싼 환전류의 강도를 나타낸다.

이러한 전 지구적 지표만으로는 특정 전력망 자산의 전체 위험을 파악할 수 없다. 이에 Microsoft는 위도, 지역 지질, 지반 전도도, 모델링된 전력망 인프라를 결합한다. এরপর 그래디언트 부스팅 모델이 지역 자기장이 시간에 따라 변화하는 속도인 dB/dt를 추정한다.

이 변화율은 빠른 자기 변화가 지면에 전기장을 유도하기 때문에 중요하다. 이러한 전기장은 접지된 송전 설비를 통해 지자기 유도 전류(GIC)를 흐르게 할 수 있다. GIC는 교류용으로 설계된 네트워크 내부에서 직류와 유사하게 작동한다.

그 결과 발생하는 흐름은 변압기 코어를 포화 상태로 몰아갈 수 있다. 연방 기관의 변압기 포화 설명에 따르면, 포화는 비정상 전류, 전압 문제, 발열, 그리고 무효전력 수요 증가를 초래할 수 있다. 심각한 조건에서는 장비 손상이나 서비스 중단으로 이어질 수 있다.

이러한 연쇄 과정은 일반적인 폭풍 경보가 운영 측면에서 제한적인 가치만 지니는 이유를 설명한다. 같은 폭풍에서도 두 변전소는 위도, 지질, 접지 방식, 연결된 송전선이 서로 다르기 때문에 각기 다른 노출 위험을 겪을 수 있다. 유도 전기장이 송전선 방향과 상호작용하기 때문에 방향 역시 중요하다.

Microsoft의 모델은 대륙 전체를 포괄하면서도 이러한 지역적 차이를 유지하려 한다. 측정된 추론 과정에서 약 333밀리초 만에 66,935개 모든 변전소에 대한 추정치를 생성했다. 이 속도라면 분석가들이 긴 시뮬레이션을 기다리지 않고도 다양한 시나리오를 검토할 수 있다.

출력값은 모든 변압기를 통과하는 전류를 직접 측정한 값이 아니다. 이는 자기장 변화와 위치별 입력값에서 도출된 모델 기반 추정치다. 전력회사가 경고의 정확성이 운영에 영향을 줄 만큼 충분한지 평가할 때 이 차이가 중요해질 것이다.

그럼에도 이 연구는 Microsoft의 우주 기상 예보 형식을 바꾼다. “강력한 폭풍이 다가오고 있다”는 수준에서 멈추는 대신, 파이프라인은 그 지상 영향이 어디에서 위험해질 가능성이 가장 높은지를 묻는다.

경보 시간은 짧지만 운영상 의미가 있다

30~60분은 대규모 공사를 하기에는 충분하지 않지만, 집중적인 운영 의사결정을 지원할 수 있다.

우주 기상 예측에는 피할 수 없는 시간상의 문제가 있다. 예보관은 태양에서 분출된 물질이 지구에 도달하기 며칠 전부터 이를 관측할 수 있다. 그러나 가장 중대한 자기적 특성은 교란이 L1 인근의 장비에 접근할 때까지 불확실하게 남는다.

태양풍도 빠르게 변할 수 있다. 태양풍과 지구 자기권의 상호작용은 속도, 밀도, 자기장 방향에 따라 달라진다. 이러한 조건은 에너지가 지구 근처 환경으로 얼마나 효율적으로 유입되는지를 결정한다.

NOAA 지침에 따르면 L1 인근의 측정은 태양풍 조건이 지구에 도달하기 전 대개 수분 수준의 상세 경고만 제공한다. Microsoft는 이 물리적 제약 안에서 작업하는 것이지, 이를 없애는 것은 아니다. 그 기여는 제한된 경고 시간을 지리적으로 구체적인 추정치로 전환하는 데 있다.

유용한 예보는 운영자가 노출된 장비를 점검하고, 특정 변전소에 대한 주의를 높이며, 표적화된 네트워크 조정을 준비하도록 도울 수 있다. Microsoft는 무효전력 예비력을 변경하거나 네트워크 일부를 일시적으로 재구성하는 등의 가능한 조치를 제시한다.

이러한 조치는 사소하지 않다. 보수적인 대응은 비용을 발생시키고, 전력 전송을 제약하며, 정상적인 계통 운영을 복잡하게 만들 수 있다. 반대로 이벤트를 놓치면 장비가 비정상적인 열적·전기적 스트레스에 노출될 수 있다.

이는 비대칭적인 의사결정 문제를 만든다. 오경보는 불필요한 개입을 유도할 수 있는 반면, 거짓 음성은 중요한 자산을 노출된 상태로 남길 수 있다. 따라서 유용한 경보 시스템은 인상적인 평균 탐지율 이상을 제공해야 한다.

또한 신뢰도, 시점, 지리적 범위, 예측 대상 심각도 임계값을 전달해야 한다. 더불어 누가 어떤 조건에서 조치할 수 있는지를 규정한 기존 절차에 부합해야 한다.

북미 운영자들은 이미 지자기 교란에 대응하는 요건 아래에서 업무를 수행하고 있다. 해당 운영 표준은 이러한 이벤트의 영향을 줄이기 위한 계획, 프로세스, 절차를 요구한다.

이 기존 체계는 Microsoft 연구가 실제 현장으로 진입할 수 있는 경로를 제공한다. 이 모델은 공식 경보나 운영 계획을 대체할 필요가 없다. 대신 전력회사가 그러한 계획 내에서 주의를 집중할 지점을 정하는 데 도움이 되는 추가 의사결정 계층이 될 수 있다.

그러나 연구 결과물과 운영 권한은 서로 다른 문제다. 운영자는 센서가 고장 나거나, 입력값이 늦게 도착하거나, 폭풍 조건이 학습 분포를 벗어날 때 모델이 어떻게 작동하는지 이해해야 한다.

30~60분의 경고 시간은 이러한 문제를 더욱 중요하게 만든다. 팀이 그 시간 대부분을 예측을 신뢰할 수 있는지 논의하는 데 쓸 수는 없다. 절차, 임계값, 책임 체계는 폭풍이 도착하기 전에 마련돼야 한다.

따라서 Microsoft의 우주 기상 예보는 기술적 시험과 제도적 시험을 모두 통과해야 한다. 정확한 지역별 추정치를 산출한 뒤, 시간 압박 속에서 훈련된 운영자가 사용할 수 있는 형태로 제공해야 한다.

이 모델은 물리 신호와 머신러닝을 결합한다

이 파이프라인의 강점은 전 지구적 폭풍 예측과 지상 위험을 형성하는 지역 조건을 결합하는 데서 나온다.

Microsoft는 예측 과정을 세 단계로 나눴다. 먼저 시스템은 태양풍 관측값을 이용해 AE와 Dst를 예측한다. 또한 모델링된 각 변전소에 대한 지리 및 전도도 특성을 준비한다.

둘째, 머신러닝 단계는 이러한 입력값을 결합해 dB/dt를 추정한다. 셋째, 파이프라인은 이러한 예측을 지역별 위험 추정치로 변환하고 이를 집계해 대륙 규모의 평가를 만든다.

이는 하나의 불투명한 예측이 아니라 메커니즘에 초점을 맞춘 설계다. 각 단계는 태양 활동과 인프라 노출 사이의 물리적 단계를 나타낸다. 이러한 구조는 태양풍 데이터에서 전력망 위험으로 곧바로 넘어가는 단일 모델보다 오류 원인을 조사하기 쉽게 만들 수 있다.

이 프로젝트는 공개 데이터를 사용했다. Microsoft는 NASA OMNI 태양풍 기록, Kyoto World Data Center 지수, INTERMAGNET 관측 자료, 미국 지질조사국 자력계 데이터, GridSFM 기반 인프라 정보를 활용했다고 밝혔다.

지역 전도도는 특히 중요하다. 비교 가능한 자기 교란 상황에서 저항성이 높은 암석은 전도성이 더 높은 지반보다 더 강한 지전기장을 형성할 수 있다. 해안 경계와 복잡한 지질 구조는 반응을 더욱 바꿀 수 있다.

최근의 연방 전도도 매핑은 이 과제의 규모를 보여준다. United States Magnetotelluric Array는 2006년부터 2024년까지 1,800곳 이상의 관측소에서 데이터를 수집했다.

이 작업은 지각과 상부 맨틀의 전국적 전기적 지도를 만들어냈다. 이러한 측정은 더 단순한 1차원 전도도 가정이 과대평가하거나 과소평가할 수 있는 취약성을 드러낼 수 있다.

Microsoft의 위치 특성은 이러한 지리적 변화를 예측 시스템에 반영한다. 동시에 미국 본토 밖으로 확장하는 작업은 더 복잡해진다. 다른 지질과 전력망 토폴로지를 가진 국가에서는 동일한 지역 입력값을 단순히 재사용할 수 없다.

이 프로젝트는 특성, 검증 전략, 모델 구성을 탐색하기 위해 50개의 AI 에이전트 시스템도 사용했다. 이 세부 사항은 전력회사 내부에서 작동하는 예측 모델이 아니라 연구 워크플로를 설명한다.

에이전트 수가 예측 품질을 측정하지 않기 때문에 이 구분은 중요하다. 중요한 근거는 홀드아웃 성능, 이벤트 탐지, 기준 모델과의 비교, 그리고 궁극적으로 운영 측정값과의 검증에서 나온다.

Microsoft는 AE의 평균제곱근오차가 410.2나노테슬라라고 보고했다. 평균제곱근오차는 큰 오차에 더 큰 가중치를 두면서 예측 오류의 일반적인 크기를 요약한다.

Dst의 보고된 오류는 7.2나노테슬라였다. 2020년부터 2026년까지의 평가에서 가장 활동적인 기간 동안 Microsoft는 이 모델이 개별 시간의 62.2%에서 Burton 방정식보다 우수한 성능을 보였다고 밝혔다.

Burton 방정식은 태양풍 입력값으로부터 폭풍 시 Dst를 추정하는 확립된 경험적 방법이다. 많은 활동 시간대에서 이를 앞선 것은 고무적이지만, 모든 운영상 질문에 답하는 것은 아니다.

성능은 폭풍, 지역, 임계값, 예측 기간에 따라 달라질 수 있다. 모델은 유리한 전체 오차를 달성하면서도 소수의 위험한 극한 사례를 놓칠 수 있다. 이러한 꼬리 사건은 인프라 운영자에게 가장 중요하다.

시스템의 단계적 설계는 이러한 실패를 진단할 경로를 제공한다. 연구자는 오류가 태양풍 예측, 지자기 지수, 지역 dB/dt 추정, 또는 인프라 위험으로의 변환 중 어디에서 시작됐는지 살펴볼 수 있다.

탐지율은 가능성을 보여줄 뿐, 운영 준비 상태를 의미하지는 않는다

공개된 결과는 신뢰할 만한 연구 신호를 보여주지만, 아직 신뢰성 있는 전력망 보호를 입증하지는 않는다.

Microsoft는 최종 위험 단계를 세 가지 dB/dt 임계값에서 평가했다. 보고된 탐지율은 분당 10나노테슬라 이상 주요 이벤트에서 76.5%였다. 분당 20나노테슬라 이상 심각한 이벤트에서는 81.2%에 도달했다.

분당 50나노테슬라 이상 극한 이벤트의 경우 탐지율은 64.1%로 떨어졌다. 이는 보고된 평가 기간에 모델이 가장 극한 범주의 이벤트 중 3분의 1 이상을 놓쳤다는 의미다.

이 수치들은 하나의 일반적인 정확도 주장으로 합쳐서는 안 됩니다. 각 임계값은 서로 다른 평가 하위 집합을 만듭니다. 사건 빈도, 클래스 균형, 위치, 시점은 모두 최종 비율에 영향을 줄 수 있습니다.

Microsoft는 직접적인 운영 벤치마크에 쓸 수 있는 동등하고 널리 배포된 시스템을 찾지 못했기 때문에 GIC 위험 단계를 단순 선형 회귀와 비교했습니다. 따라서 이 비교는 유익하지만 한계도 있습니다.

선형 모델은 추가된 머신러닝 구조가 유용한 비선형 관계를 포착하는지 검증할 수 있습니다. 그러나 이 시스템이 이미 전력회사나 정부 기관에서 사용하는 모든 예측 제품보다 뛰어나다는 것을 보여주지는 않습니다.

NOAA는 수년간 Geospace 모델의 여러 버전을 운영해 왔습니다. 이 물리 기반 시스템은 지역별 자기 교란을 예측하고 전력망 운영자의 상황 인식을 지원합니다.

두 접근법은 정확히 대체 가능한 관계가 아닙니다. NOAA의 시스템은 지구우주 역학을 모델링하는 반면, Microsoft의 파이프라인은 예측 지수와 위치 특성을 모델링된 변전소 위험에 연결합니다. 두 방식은 동일한 예측 문제를 해결하는 상호보완적 경로로 볼 수 있습니다.

Microsoft는 또한 AE 예측에 Dst 예측을 추가하면 심각한 사건 탐지율이 1.2%포인트 개선됐다고 보고합니다. 이 향상은 여러 물리적 지표를 사용하는 근거가 되지만, 그 자체로 큰 변화는 아닙니다.

더 어려운 문제는 보고된 탐지율이 실제 운영 환경으로 이전될 수 있는지 여부입니다. 과거 데이터세트에는 공백, 불균등한 지리적 범위, 가장 드문 폭풍 사례의 부족이 있을 수 있습니다.

연구자들은 평가 데이터가 간접적으로 모델 개발에 영향을 미치는 정보 누출도 방지해야 합니다. Microsoft 게시물은 외부 독자가 모든 분할, 임계값 또는 시험 조건을 재현하기에 충분한 세부 정보를 제공하지 않습니다.

그렇다고 결과가 무효가 되는 것은 아닙니다. 이는 이 증거를 독립적으로 재현된 성능 기록이 아니라 초기 연구 보고서로 다뤄야 한다는 뜻입니다.

현재 지도 역시 실제 운영 사건의 기록이 아니라 시연용입니다. Microsoft는 전력망에 사용하기 전에 전력회사 및 운영 데이터와 함께 추가 검증이 필요하다고 명시적으로 말합니다.

이 발언은 적절한 기준을 규정합니다. 전력망의 우주기상 위험을 예측하려면 공개 데이터세트만으로는 충분히 제공할 수 없는 측정 전류 데이터, 자산 세부 정보, 운영자 피드백이 필요합니다.

변전소 좌표만으로는 변압기 설계, 접지 저항, 네트워크 상태 또는 자산 상태를 설명할 수 없습니다. Microsoft는 변압기 수준 모델링을 향후 과제로 지목하며, 현재 출력에 일부 장비별 세부 정보가 부족함을 확인했습니다.

커뮤니케이션 측면의 위험도 있습니다. 색으로 표시된 대륙 지도는 그 기반 추정치보다 더 확실해 보일 수 있습니다. 운영용 디스플레이에는 보정된 불확실성, 명확한 타임스탬프, 데이터 품질 경고, 급격한 변화에 대한 설명이 필요합니다.

이 연구는 우선순위 결정 시스템으로 이해할 때 가장 강력합니다. 더 면밀한 분석이 필요한 위치를 식별할 수 있습니다. 특정 변압기가 고장 날 것이라고 독립적으로 입증하는 것은 아닙니다.

2024년 5월 폭풍은 왜 지역화가 중요한지 보여준다

최근 사례는 하나의 지자기 폭풍이 전력망, 농장, 위성, 항법 시스템 전반에 서로 다른 고장을 일으킬 수 있음을 보여줍니다.

Gannon 폭풍은 2024년 5월 10일부터 5월 13일 사이 지구에 도달했습니다. 20여 년 만에 처음으로 G5 지자기 조건을 만들었고, 오로라를 평소 관측 위도보다 훨씬 먼 지역까지 확장시켰습니다.

그 영향은 광범위했지만 균일하지는 않았습니다. NASA의 Gannon 폭풍 검토 자료는 고압 송전선 차단, 변압기 과열, 트랙터 유도 시스템 장애, 일부 항공 노선 변경을 기록했습니다.

미국 중서부 일부 지역의 GPS 유도 트랙터는 경로를 벗어나거나 작동을 멈췄습니다. 이러한 장애는 정밀 위치 정보가 효율적인 농작업을 뒷받침하는 파종기에 발생했습니다.

다른 시스템은 다른 문제를 겪었습니다. 위성 운영자들은 증가한 대기 항력을 관리해야 했고, 항법 신호는 저하됐으며 일부 통신의 신뢰성도 떨어졌습니다.

NASA의 사건 기록에 따르면 GOES-16은 5월 13일 약 두 시간 동안 데이터 전송을 중단했습니다. 또한 Starlink 서비스 저하와 유럽우주국 Gaia 우주선에 영향을 준 전기적 문제도 설명합니다.

그럼에도 이 폭풍은 미국에서 광범위한 공공 전력 비상사태를 일으키지는 않았습니다. 정부 보고서는 대규모 인구 단위 정전 없이 전력망 이상 현상이 있었다고 언급했습니다.

이 대조는 우주기상 전력망 영향 분석의 핵심입니다. 심각한 행성 규모 교란이 균일한 피해를 만들지는 않습니다. 지역 인프라, 공학적 제어, 지리적 조건, 운영 결정이 결과를 좌우합니다.

1989년 3월 Hydro-Québec 붕괴는 여전히 역사적 경고로 남아 있습니다. 급격한 자기 변화가 유도 전류를 발생시켜 전력망 고장에 기여했고, 600만 명 이상이 전력을 잃었습니다.

현대 전력회사는 그 사건 이후 모니터링, 표준, 운영 절차를 개선했습니다. 하지만 전력 네트워크는 위성 시각 정보, 디지털 통신, 정밀 항법에 더 상호 연결되고 의존하게 됐습니다.

이 조합은 지역화의 가치를 높입니다. 대륙 규모의 경보는 운영자에게 위험한 상황임을 알릴 수 있습니다. 그러나 어느 변전소에 즉각적인 주의가 필요한지는 식별하지 못합니다.

Microsoft의 파이프라인은 급격한 자기장 변화가 어디에서 가장 중요해질지 추정함으로써 이 격차를 좁히는 것을 목표로 합니다. 66,935개 위치에 대한 출력은 국가 단위 폭풍 등급보다 훨씬 상세한 지리 정보를 제공합니다.

그러나 2024년 5월 폭풍은 평가가 전력망에만 초점을 맞춰서는 안 되는 이유도 보여줍니다. 동일한 태양 활동 사건은 농업, 항공, 우주선, 무선 링크, 위치 확인 서비스에 영향을 줄 수 있습니다.

이들 시스템은 의존 관계를 만듭니다. 전력망 운영자는 통신 및 시각 정보 서비스에 의존하며, 복구팀은 운송과 항법에 의존합니다. 지역화된 전력 예측은 연결된 시스템의 예측과 결합될 때 더 가치가 커집니다.

Microsoft의 프로젝트는 현재 변전소 위험에 초점을 맞춥니다. 모든 경제적 또는 인프라 결과를 포괄하는 완전한 모델로 해석해서는 안 됩니다.

가장 강력한 미래 시스템은 여러 계층을 연결할 가능성이 큽니다. 폭풍 도달, 지역 자기 반응, 지역 전도도, 네트워크 토폴로지, 자산 특성, 현재 운영 상태를 결합하게 될 것입니다.

이는 까다로운 목표입니다. 2024년 5월의 경험은 왜 이를 추구할 가치가 있는지, 그리고 인상적인 지도 한 장만으로는 충분하지 않은지를 보여줍니다.

전력회사의 활용 가능성을 결정할 세 가지 신호

다음 단계에서는 유망한 사후 분석 결과를 전력회사급 증거, 불확실성 추정치, 자산 수준의 세부 정보로 대체해야 합니다.

첫 번째 신호는 측정된 GIC 및 전력회사 운영 데이터로 검증하는 것입니다. Microsoft는 여러 폭풍 동안 접지된 변압기에서 관측된 전류와 높은 예측 dB/dt가 일치하는지 시험해야 합니다.

이 검증은 서로 다른 지역, 지질 조건, 네트워크 구성, 폭풍 강도를 포함해야 합니다. 강한 일치는 모델의 지역 위험 순위를 뒷받침할 것입니다. 약한 일치는 누락된 전력망 또는 전도도 특성을 드러낼 것입니다.

전력회사는 오경보와 놓친 사건도 별도로 검토해야 합니다. 대부분의 폭풍을 포착하지만 반복적으로 잘못된 위치를 지목하는 모델은 운영 가치가 제한적일 것입니다.

두 번째 신호는 변전소 수준 출력에서 변압기 수준 위험으로의 전환입니다. Microsoft는 예측이 동일한 부지 내 장비를 구별할 수 있도록 자산 특성을 추가하고 싶다고 말합니다.

이 작업에는 종종 민감하거나 공개 데이터세트에서 이용할 수 없는 정보가 필요합니다. 변압기 구조, 접지, 부하, 보호 설정, 네트워크 연결성은 자산이 경험하는 전류에 영향을 줄 수 있습니다.

따라서 전력회사와의 협력은 추가적인 모델 개발만큼 중요합니다. 이러한 세부 정보가 없다면 이 시스템은 장비 보호 시스템이 아니라 지리적 선별 도구에 머무르게 됩니다.

세 번째 신호는 확립된 예측 및 운영 워크플로와의 통합입니다. 연구자들은 공식 경보, 지전기장 지도, 기존 절차와 함께 사용될 때 출력이 의사결정을 개선하는지 시험해야 합니다.

성공적인 파일럿은 사건 전에 경보 임계값을 정의할 것입니다. 또한 이용 가능한 조치, 승인 주체, 불확실성이 대응에 미치는 영향을 문서화할 것입니다.

통합에는 복원력도 필요합니다. 시스템은 오래된 입력값, 누락된 관측치, 저하된 예측 신뢰도를 보고해야 합니다. 센서나 데이터 피드가 실패할 때 운영자에게는 안전한 대체 수단이 필요합니다.

더 긴 예측 범위는 관심을 끌겠지만, 그것이 진전을 평가하는 유일한 기준이 되어서는 안 됩니다. 불확실성이 너무 빨리 커지거나 지역 예측의 신뢰성이 떨어진다면 더 긴 경보 시간은 거의 가치가 없습니다.

Microsoft는 태양풍 데이터에서 더 긴 패턴을 학습하기 위한 temporal-transformer 방법을 제안했습니다. 또한 국제적으로 확장하고 GridSFM을 통해 예측을 전력 흐름 분석과 연결하려고 합니다.

이러한 방향은 기술적으로 타당합니다. 각각은 새로운 검증 부담도 추가합니다. 다른 국가에서는 서로 다른 지질 조건, 전력망 모델, 규제, 데이터 품질 문제가 나타날 것입니다.

현재로서는 전력망 우주기상 위험 예측을 명확히 제시된 배포 격차를 가진 신뢰할 만한 연구 진전으로 보는 것이 가장 적절합니다. 이 파이프라인은 빠르고, 지리적으로 상세하며, 관련 물리 신호에 기반합니다.

가장 중요한 결과는 머신러닝이 지자기 위험을 해결했다는 주장이 아닙니다. 광범위한 폭풍 경보를 수초 안에 수천 개의 지역 추정치로 변환할 수 있음을 보여준 것입니다.

다음 폭풍은 또 다른 까다로운 시험을 제공할 것입니다. 예측된 고위험 지점은 측정 전류와 일치할 것이며, 운영자는 조치할 만큼 충분히 일찍 경보를 받을 수 있을까요? 그 답이 Microsoft 시스템이 연구 프로토타입으로 남을지, 전력망 방어의 일부가 될지를 결정할 것입니다.