众包前沿：通过一场5万美元的Kaggle竞赛推进物理-ML混合气候模拟
大气与海洋物理
2026-03-10 v4 机器学习
摘要
亚网格机器学习（ML）参数化有潜力引入新一代气候模型，这些模型能够纳入更高分辨率物理过程的影响，而无需承担更显式物理模拟所带来的高昂计算成本。然而，从在线不稳定到不一致的在线性能等重要问题，限制了它们在长期气候预测中的实际应用。为了更快地推动解决这些问题的进展，领域科学家和机器学习研究人员通过发布ClimSim（一个NeurIPS数据集与基准出版物）以及相关的Kaggle竞赛，将这一问题的离线方面开放给了更广泛的机器学习和数据科学社区。本文报告了Kaggle竞赛的下游结果，通过将受获胜团队架构启发的仿真器耦合到一个交互式气候模型（包含完整的云微物理过程，这是一个历史上容易导致在线不稳定的机制）中，并系统地评估了它们的在线性能。我们的结果表明，在低分辨率、真实地理环境下，在线稳定性在多种不同架构中是可复现的，我们认为这是一个关键的里程碑。所有测试的架构都表现出惊人相似的离线和在线偏差，尽管它们对与架构无关的设计选择（例如，扩展输入变量列表）的响应可能存在显著差异。多个受Kaggle启发的架构在纬向平均偏差模式和全球RMSE等特定指标上取得了最先进（SOTA）的结果，这表明众包离线问题的本质是改善混合物理-AI气候模拟在线性能的一条途径。
引用
@article{arxiv.2511.20963,
title = {Crowdsourcing the Frontier: Advancing Hybrid Physics-ML Climate Simulation via a $50,000 Kaggle Competition},
author = {Jerry Lin and Zeyuan Hu and Tom Beucler and Katherine Frields and Hannah Christensen and Walter Hannah and Helge Heuer and Peter Ukkonnen and Laura A. Mansfield and Tian Zheng and Liran Peng and Ritwik Gupta and Pierre Gentine and Yusef Al-Naher and Mingjiang Duan and Kyo Hattori and Weiliang Ji and Chunhan Li and Kippei Matsuda and Naoki Murakami and Shlomo Ron and Marec Serlin and Hongjian Song and Yuma Tanabe and Daisuke Yamamoto and Jianyao Zhou and Mike Pritchard},
journal= {arXiv preprint arXiv:2511.20963},
year = {2026}
}
备注
Main text: 29 pages, 10 figures. SI: 47 pages, 37 figures