金年会信誉至上 | 金字招牌

　　中新网北京4月9日电 (记者 孙自法)现在，人工智能(AI)缓慢发扬，曾经正在大气科学的各个范围形成深远影响，而且一直更动和重塑天气范围诸众对象的探究。

　　正在此前提下，怎样连系AI举措来助助处分古代天气探究中遭遇的题目，又该怎样连系天气动力探究助助诊断、领会和体会AI模子，擢升AI模子的本能，这些题目备受闭怀。

　　《大气科学进步》(AAS)最新一期AI专刊封面。中邦科学院大气物理探究所/供图

　　中邦科学院大气物理探究所探究员、大气科学人工智能探究中央主任黄刚率团队举行探究，得到提出物理和AI调和的需要性及途径、天生模子鼎新天气形式对厄尔尼诺-南方涛动(ENSO)的模仿、物理耦合擢升深度练习降水预告技能等主要进步，相干探究效率以封面论文大局正在最新一期专业学术期刊《大气科学进步》(AAS)上颁发。

　　论文通信作家黄刚探究员先容说，盘古等现象大模子崭露以还，针对其物理一概性题目，科学界存正在较大商酌，科研团队对这一商酌举行了梳理，察觉商酌紧要来自于对气象大模子定性和定量两种差异水平的动力诊断。这些探究标明，气象大模子能够定性地练习到天气编制的少少枢纽动力模态，然而对付少少枢纽物理动力气(如少少风分量)正在定量上照旧存正在昭彰偏差。他们以为，这些偏差紧要由于目前的气象大模子并未显式地练习这些风分量，而是依照总的风速去构制牺牲函数迭代模子。

　　由此能够看出，对AI模子举行充斥、深远地震力诊断的需要性，惟有对比全盘地剖析和领略模子的优缺欠，智力渐渐对其减少领会，进而举行鼎新和物理拘束。从这一角度开赴，科研团队连系的确的探究剖析该当怎样对AI模子(特别是AI天气模子)发展履力诊断，以及怎样操纵物理拘束来降低模子本事和物理一概性。

　　同时，针对数值形式和AI的调和题目，科研团队以为，目前的离线参数化计划谋求的是模子权重正在某一参数化计划中的最优，相较于形式繁众的参数化计划而言，这很不妨是一种个别最优，不只正在拟合优度上不妨存正在缺点，正在实质工程上还不妨存正在恒久积分倒闭、天气漂移等题目。因而，采用正在线参数化计划，或可使得模子权重到达整体最优，举行鼎新离线参数化存正在的少少题目。

　　正在这一视角之下，他日天气形式的发扬图景恐怕是AI和数值形式的全体耦合，即物理-AI平均的模子。这种耦合形式能够依照形式输出谋略牺牲，进而迭代优化，变为一种可练习的天气形式。

　　黄刚指出，近年来，科研团队通过能量机制较为编制剖析ENSO热带、热带外遥相干的机制，并通过非线本能量平流流程描绘ENSO纬向对称反响和非对称反响的彼此功用，从热带外非线性彼此功用角度较好地阐明了ENSO饱舞的安静洋-北美型(PNA)遥相干的非对称性特点。

　　可是，天气形式对付ENSO遥相干的模仿缺点照旧难以处分，这直接影响了他日预估的牢靠性。他们前期探究察觉ENSO没落年夏日的西北安静洋特殊反气旋紧要偏差起源是ENSO模仿的偏差，ENSO海皮相温度(SST)特殊太过西伸的缺点通过影响ENSO的没落，明显影响西北安静洋特殊反气旋和东亚夏日风模仿，首要限制了天气模仿和天气预估的牢靠性。

　　针对这一题目，科研团队基于轮回一概天生抗衡搜集打算环球SST模仿校正模子，天生模子处分了因为内部变率导致的形式模仿结果与观测数据不逐一对应的题目。探究结果标明，该模子不只能校浩气候态缺点，还能明显鼎新对ENSO、印度洋偶极子(IOD)等动力模态的模仿，明显削弱了ENSO SST特殊太过西伸的缺点，而古代举措很难订正这一形式合伙缺点。

　　他日，基于好像的天生模子及其鼎新模子，希望进一步降低ENSO没落年夏日西北安静洋特殊反气旋和东亚夏日风的模仿，减少他日预估的牢靠性。

　　黄刚显示，针对物理学问是否能够擢升AI模子恶果这一题目，科研团队通过降水预告这一题目举行实验性回复。他们从物理变量耦合闭联角度开赴，连系图神经搜集对众变量举行物理软拘束，并察觉这一举措能够擢升数值形式的降水预告技能。针对降水预告的难点题目，特别是强降水的预告题目，科研团队从降水的影响因素和发作气制开赴，连系笔直运动(omega)方程和水汽方程等举行变量筛选、构修变量耦合图搜集。Omega方程和水汽方程分离描绘了笔直运动和水汽蜕变，均为影响降水的主要要素。

　　从图搜集的角度来看，omega方程反响了基础的物理量(温、风、湿等)的非线性组合与降水枢纽因素之间的闭联，所以可将其笼统为图搜集，通过图搜集间变量(节点)和变量间闭联来外征差异物理变量间的组合及耦合。同时，探讨到天气因子对付气象标准的影响，特别是差异天气布景下形式偏差编制性的分别，本项探究将季候、ENSO等天气因子和起报期间等零落数据行使特意技能嵌入校正模子，以区别差异布景下的偏差；针对降水流程，对图神经搜集举行局地化鼎新，使其基础仍旧恶果的同时，避免整体运算，大幅消重谋略杂乱度。

　　模子比对结果标明，本项探究提出的两个物理拘束模子omega-GNN和omega-EGNN相较于数值形式，明显擢升各分类降水预告技能，同时其本能优于目前主流的无物理拘束深度练习模子。

　　各模子(a)TS评分，(b-g)相对付数值形式的TS差值空间漫衍(20mm/6h阈值以上降水)；(a)中errorbar为咸集间圭臬差。中邦科学院大气物理探究所/供图

　　黄刚总结说，人工智能与天气、现象交叉探究的对象相当通常，简直笼罩目前最紧要的气象天气范围。同时，人工智能的发扬十分缓慢金年会官网，迭代极疾。因而，人工智能和天气科学探究的连系，必要差异砚科稠密对象探究者合伙辛勤，饱励正在差异对象上“着花结果”。(完)