CAM-NET：面向整个大气（含热层与离子层）的 AI 模型

我们提出了可压缩大气模型-网络 (Compressible Atmospheric Model-Network, CAM-NET)，这是一种旨在从地表到离子层高精度、高计算效率预测中性大气变量的 AI 模型。准确建模整个大气对于理解重力波的向上传递至关重要，这些波动影响上层大气动力学以及大气各层之间的耦合。CAM-NET 利用球面傅里叶神经算子 (Spherical Fourier Neural Operator, SFNO) 捕获全球尺度的大气动力学，同时保持地球的球面结构。基于 Whole Atmosphere Community Climate Model with thermosphere and ionosphere eXtension (WACCM-X) 的十年数据集训练而成，CAM-NET 在精度上与 WACCM-X 相当，但推理时间加快了超过 1000 倍，训练后可在几分钟内提供一年的模拟。该模型有效预测关键大气参数，包括经纬风、温度和压力的时间变化率。灵感来自使用外部耦合器模拟 tracer 输运的传统建模方法，CAM-NET 引入了模块化架构，显式地将 tracer 预测与核心动力学分离。CAM-NET 的核心背板专注于预测主要物理变量（如温度、风速），而 tracer 变量则通过轻量级、微调模型进行预测。这种设计允许针对特定 tracer 场景以最小的计算成本进行高效适应，无需重新训练整个模型。我们在 $O^2$ tracer 上验证了这一方法，显示出强大的性能和泛化能力。