强过「黄金标准」，快3,500倍，成本低10万倍，物理建模融合AI，谷歌天气模型登Nature
内容提要
谷歌研究开发了一种名为NeuralGCM的新方法，将传统的基于物理模型的建模与机器学习相结合，准确模拟地球大气层。NeuralGCM能够生成2-15天的天气预报，超过现有模型的准确性。该模型更快、更具成本效益，并在预测方面达到了与机器学习模型和欧洲中期天气预报中心相似的准确性。NeuralGCM的架构结合了可微分的动力核心和使用神经网络预测未解决过程的学习物理模块。该模型使用ECMWF天气数据进行性能评估，在天气和气候预测方面优于现有模型。NeuralGCM是开源的，有潜力革新气候建模。
延伸解读
混合建模：物理与AI的协同
NeuralGCM的核心创新在于将可微分的动力学核心与神经网络参数化相结合。动力学核心求解大尺度物理方程，而神经网络则学习云形成、降水等小尺度过程。这种混合方法允许端到端训练，通过反向传播优化整个系统，克服了传统模型在数值稳定性上的困难。
性能突破：更快、更准、更经济
NeuralGCM在2-15天预报中准确性超越传统模型，计算成本比X-SHiELD低10万倍，速度快3500倍。例如，模拟一年大气，X-SHiELD需20天，而NeuralGCM仅需8分钟。这种效率提升相当于高性能计算25年的进步，使得在单TPU上运行复杂气候模拟成为可能。
气候预测能力与局限
NeuralGCM在气候尺度预测上表现优异，40年温度预测平均误差仅0.25°C，是AMIP模型的三分之一。它还能准确预测热带气旋模式。然而，目前模型仅模拟大气层，未包含海洋和碳循环等地球系统其他方面，未来扩展后才能进行更长时间尺度的气候预测。
开源与未来应用
NeuralGCM已开源，供非商业使用，降低了气候研究的门槛。研究人员希望将其扩展到地球气候系统的其他方面，并相信这种可微分混合建模方法可应用于材料发现、蛋白质折叠等领域，推动广泛科学模拟的变革。
Q&A
NeuralGCM模型的主要创新是什么？
NeuralGCM模型结合了可微分的动力学核心和学习物理模块，使用神经网络学习小规模过程的物理特性。
NeuralGCM在天气预报方面的准确性如何？
NeuralGCM能够生成2-15天的天气预报，准确性超过现有模型，并在1-10天预报方面与机器学习模型相媲美。
与传统气候模型相比，NeuralGCM的计算成本如何？
NeuralGCM的计算成本比传统模型低100,000倍，速度提升相当于高性能计算25年的进步。
NeuralGCM的开源情况如何？
NeuralGCM的源代码和模型权重已在GitHub上公开，供非商业使用。
NeuralGCM在气候建模方面的潜力是什么？
NeuralGCM有潜力革新气候建模，未来希望扩展到地球气候系统的其他方面，以进行更长时间尺度的预测。
NeuralGCM如何处理小规模物理过程？
NeuralGCM使用神经网络从现有天气数据中学习小规模物理过程，如云的形成和辐射传输。
