CondensNet：通过具有自适应物理约束的混合深度学习模型实现稳定的长期气候模拟
大气与海洋物理
2026-01-27 v2 人工智能
机器学习
摘要
准确且高效的气候模拟对于理解地球不断演变的气候至关重要。然而，当前的大气环流模型（GCMs）在捕捉未解析的物理过程（如云和对流）方面面临挑战。一种常见的解决方案是采用云分辨模型，其提供的结果比 GCMs 中通常使用的标准次网格参数化方案更准确。然而，云分辨模型（也称为超级参数化）在计算上仍然令人望而却步。将深度学习与基于方程的 GCMs 相结合的混合建模提供了一种有前景的替代方案，但常常在长期稳定性和准确性问题上遇到困难。在这项工作中，我们发现凝结过程中的水汽过饱和是损害混合模型稳定性的关键因素。为了解决这个问题，我们引入了 CondensNet，这是一种新颖的神经网络架构，它嵌入了自适应物理约束以纠正非物理的凝结过程。CondensNet 有效地缓解了水汽过饱和，在保持准确性的同时增强了模拟稳定性，并且与超级参数化方案相比提高了计算效率。我们将 CondensNet 集成到 GCM 中形成了 PCNN-GCM（物理约束神经网络 GCM），这是一个为真实世界条件（包括海洋和陆地）下长期稳定气候模拟而设计的混合深度学习框架。PCNN-GCM 代表了混合气候建模的一个重要里程碑，它展示了一种自适应引入物理约束的新方法，为准确、轻量且稳定的长期气候模拟铺平了道路。
引用
@article{arxiv.2502.13185,
title = {CondensNet: Enabling stable long-term climate simulations via hybrid deep learning models with adaptive physical constraints},
author = {Xin Wang and Jianda Chen and Juntao Yang and Jeff Adie and Simon See and Kalli Furtado and Chen Chen and Troy Arcomano and Romit Maulik and Wei Xue and Gianmarco Mengaldo},
journal= {arXiv preprint arXiv:2502.13185},
year = {2026}
}