基于编译器库工具实现神经网络的切线线性模型和伴随模型
数学软件
2026-03-19 v1 人工智能
机器学习
摘要
本文提出了 TorchNWP，一个用于高效耦合人工智能组件与传统数值模型的编译器库工具。旨在解决传统数值模型（通常以 Fortran 开发）与基于 Python 的深度学习框架之间存在的跨语言兼容性差、耦合灵活性不足以及数据传输效率低等问题。基于 LibTorch，本文对其进行优化和设计，构建统一的应用层调用接口，将 PyTorch 框架下的深度学习模型转换为静态二进制格式，并提供 C/C++ 接口。随后，通过混合 Fortran/C/C++ 编程，实现了深度学习模型在数值模型中的部署。将 TorchNWP 集成到数值模型中仅需将其编译为可调用的链接库，并在编译链接阶段进行链接，以生成可执行文件。基于此，本文在 C/C++ 层面实现了基于神经网络的切线线性模型和伴随模型，可遮蔽神经网络模型的内部结构，简化四维变量数据同化系统的构建过程。同时，该工具支持异构平台部署，兼容主流神经网络模型，并实现不同并行粒度的映射和高效并行执行。使用该工具仅需对原始数值模型进行最小的代码修改，从而显著降低耦合成本。它已成功集成到数值天气预报模型中，如 CMA-GFS 和 MCV，用于耦合基于深度学习的物理参数化方案（如辐射、非大气压力导向重力波阻尼）及其切线线性模型和伴随模型，从而显著提高了数值天气预报的准确性和效率。
引用
@article{arxiv.2603.16976,
title = {Implementation of tangent linear and adjoint models for neural networks based on a compiler library tool},
author = {Sa Xiao and Hao Jing and Honglu Sun and Haoyu Li},
journal= {arXiv preprint arXiv:2603.16976},
year = {2026}
}