在地球变暖成为全球关注焦点的今天，精确预测气候变化及其影响成为了科学界亟待解决的重大课题。传统基于物理的气候模型（GCM，全球气候模型）在预测大气、海洋、冰层等复杂系统时虽已取得显著进展，但计算成本高、耗时长且精度有限，难以满足日益增长的精准预测需求。如今，随着机器学习（ML）技术的飞速发展，一种全新的气候预测方法——NeuralGCM应运而生，它不仅融合了传统物理建模的严谨性，还借助神经网络的强大学习能力，实现了气候预测的高效与精准。

相关研究以「Neural general circulation models for weather and climate」为题，于 7 月 22 日发布在《Nature》上。

NeuralGCM：物理与智能的融合

NeuralGCM是Google Research团队提出的一项创新技术，它将基于物理的大气循环模型与神经网络巧妙结合，旨在通过深度学习算法提升气候预测的精度与效率。该模型的核心在于两个关键组成部分：可微分的动力学core和学习物理模块。动力学core负责求解离散化的动力学控制方程，模拟在重力和科里奥利力作用下的大尺度流体运动和热力学过程；而学习物理模块则利用神经网络预测那些传统模型难以精确描述的未解决过程，如云的形成、辐射传输、降水和亚网格尺度动力学等。

这种设计使得NeuralGCM能够在保持物理规律一致性的同时，灵活捕捉并学习大气中复杂的非线性相互作用，从而实现对气候系统更精细的模拟。更重要的是，NeuralGCM的可微分动力学core允许采用端到端的训练方法，即在多个时间步骤上通过随机梯度下降优化模型参数，以最小化预测与真实数据之间的差异。这种训练方法不仅提高了模型的泛化能力，还显著降低了计算成本。

高效与精准的双重突破

NeuralGCM在多个方面展现了其相对于传统气候模型的优越性。首先，在预报精度上，NeuralGCM能够生成2-15天的天气预报，其准确性甚至超越了目前基于物理的“黄金标准”模型。在1至10天的预报中，它与机器学习模型相媲美；而在1至15天的预报中，则与欧洲中期天气预报中心的集合预报系统（ECMWF-ENS）不相上下。这种高精度预报能力对于气象灾害预警、农业规划、能源管理等领域具有重要意义。

其次，在计算效率上，NeuralGCM实现了质的飞跃。相比传统GCM模型，NeuralGCM在相似或更高准确度下，计算效率高出3到5个数量级。以1.4°分辨率的模型为例，NeuralGCM在模拟一年大气变化时仅需8分钟，而同等精度的X-SHiELD模型则需要20天。这种计算效率的提升意味着研究人员可以更快地进行模型试验和参数调整，加速气候科学研究的进程。

气候预测的新篇章

NeuralGCM不仅在短期天气预报中表现出色，在气候时间尺度的预测上也展现出巨大潜力。在预测1980年至2020年间40年的温度变化时，NeuralGCM的2.8°确定性模型的平均误差仅为0.25摄氏度，远低于仅大气模型（AMIP）的0.75摄氏度。这一结果表明，NeuralGCM在捕捉气候长期变化趋势方面同样具有优势。

此外，NeuralGCM的灵活性和可扩展性也为未来气候研究开辟了新途径。研究人员表示，他们计划将NeuralGCM的应用范围扩展到地球气候系统的其他方面，如海洋和碳循环等。通过不断优化和完善模型，NeuralGCM有望成为未来气候预测和气候变化研究的重要工具。

结语

NeuralGCM的出现标志着气候预测领域的一次重大革新。它将物理建模的严谨性与机器学习的智能性完美融合，为我们提供了更加高效、精准的气候预测手段。随着技术的不断进步和应用的不断拓展，NeuralGCM有望在全球气候变化应对、环境保护、经济发展等多个领域发挥重要作用。我们有理由相信，在NeuralGCM等创新技术的推动下，人类将更好地理解和应对气候变化的挑战，共同守护我们唯一的地球家园。