平衡人工智能和物理建立可学习的气候模型

人工智能(AI)正在给大气科学带来显着变化，特别是盘古天气和GraphCast等大型人工智能天气模型的引入。然而，除了这些进步之外，关于这些模型与基本物理原理的一致性也出现了问题。

先前的研究表明，盘古天气可以通过定性分析准确地复制某些气候模式，例如热带吉尔反应和热带外遥相关。然而，定量研究表明，当前人工智能天气模型中的风成分存在显着差异，例如发散风和地转风。尽管有这些发现，仍然有人担心物理学在气候科学中的重要性有时被忽视。

“定性评估发现可以理解和学习天气和气候数据的空间模式。另一方面，定量方法凸显了一个局限性：当前的很难学习某些风模式，而是仅仅依赖于总风速。”中国科学院大气物理研究所(IAP)黄刚教授解释道。

“这强调了对进行全面动态诊断的必要性。只有通过整体分析，我们才能增强我们的理解并施加必要的物理约束。”

研究人员，包括来自IAP、首尔国立大学和同济大学的合作者，主张在气候建模中采用人工智能和物理学之间的协作方法，超越“非此即彼”的概念。

黄教授说：“虽然人工智能擅长捕捉天气和气候数据中的空间关系，但它在处理发散风和地转风等细微的物理成分方面表现不佳。这强调了严格的动态诊断以强制实施物理约束的必要性。”

他们的观点论文发表在《大气科学进展》上，阐述了对施加软和硬物理约束的方法，确保与已知大气动力学的一致性。

此外，团队主张从离线参数化方案过渡到在线参数化方案，以实现模型权重的全局最优，从而培育完全耦合的物理-人工智能平衡气候模型。王亚博士说：“这种集成可以实现迭代优化，将我们的模型转变为真正可学习的系统。”

研究人员认识到社区协作的重要性，因此提倡开放性、可比性和可重复性(OCR)文化。通过接受类似于人工智能和计算机科学界的原则，他们相信培养一种有利于开发真正可学习的气候模型的文化。

总之，通过将人工智能的空间能力与物理学的基本原理相结合并培育协作社区，研究人员的目标是实现一个将人工智能和物理学无缝融合的气候模型，这代表着气候科学向前迈出了重要一步。