基于变换器机器学习模型将行星大气辐射传递计算加快数个数量级
地球与行星天体物理
2025-11-03 v1 天体物理仪器与方法
机器学习
摘要
辐射传递计算是建模行星大气的必不可少的环节。然而，标准方法计算负担沉重，导致精度与速度之间存在权衡。高计算成本迫使大型模型（如通用气动循环模型）采用数值简化，这些简化削弱了模拟的准确性。辐射传递计算是机器学习仿真的理想候选对象：根本上，这是从静态大气轮廓到结果通量之间的明确定义的物理映射，可以从第一性计算中创建高保真训练数据。我们开发了一个使用仅编码器变换器神经网络架构的辐射传递模拟器，训练于代表太阳组成的热气态巨行星大气的 1D 轮廓。我们的模拟器在测试集上的误差约为传统方法的 ~1%，实现了 100 倍的加速。机器学习仿真辐射传递为行星大气模型（如 GCM）中的更快更准确的例程开辟了可能性。
引用
@article{arxiv.2510.27050,
title = {Accelerating Radiative Transfer for Planetary Atmospheres by Orders of Magnitude with a Transformer-Based Machine Learning Model},
author = {Isaac Malsky and Tiffany Kataria and Natasha E. Batalha and Matthew Graham},
journal= {arXiv preprint arXiv:2510.27050},
year = {2025}
}