AI天气模型学习多尺度动力学的挑战：对稳定性的影响及一种解决方案

长期稳定性与物理一致性是基于AI的天气模型若用于次季节至季节预报或更长期（例如气候变化预估）所必须具备的关键性质。然而，当前基于AI的天气模型仅能提供准确的短期预报，因为当时间积分超过几周或几个月时它们变得不稳定或物理不一致。它们要么表现出数值爆破，要么幻觉出大气变量的非现实动力学，类似于当前一类自回归大语言模型。不稳定性的原因未知，且用于改善其稳定时限的方法是临时的并缺乏严格理论。在本文中，我们揭示任何湍流中这些不稳定性的普遍因果机制源于谱偏置，即任何深度学习架构都偏置为仅学习大尺度动力学而完全忽略小尺度。我们进一步阐明湍流物理与基于深度学习的时间积分器缺乏收敛性如何放大此偏置，导致不稳定的误差传播。最后，以准地转流与欧洲中期天气预报中心(ECMWF)再分析数据作为测试用例，我们弥合深度学习理论与数值分析之间的鸿沟，提出一种针对此类非物理行为的缓解方案。我们为气候系统开发了长期物理一致的数据驱动模型，并展示了准确的短期预报，以及数百年的具有准确均值与变率的时问积分。