学习演化：面向天气预报的神经半拉格朗日架构
机器学习
2026-05-15 v2 大气与海洋物理
摘要
最近的机器学习天气预报方法常采用单一的单体架构，其中不同的物理机制——演化（远程输运）、扩散类混合、热力学过程以及强制——被隐式地表示于单个大型网络中。这在演化方面尤其 problematic，因为远程输运通常需要昂贵的全局相互作用机制或深层的局部卷积层堆栈。为缓解此问题，我们提出PARADIS，一种受物理启发的全球天气预测模型，通过对网络行为进行功能分解为演化、扩散和反应模块，作用于潜在变量以强制实现归纳偏置。我们通过在球面上进行基于轨迹的传输通过可微分插值实现演化，使网络能够 end-to-end 学习要传输的潜在模式及其特征轨迹。扩散类过程通过深度可分离空间混合建模，而局部源项和垂直相互作用则通过点信道相互作用处理，产生物理结构的操作分解。我们在ERA5基准上评估了PARADIS，实现了具竞争力的确定性预报技能，尤其在短期预报方面表现尤为强劲，同时在中期滚动预测中保持了显著更好的谱辨识度和预报活跃性。
引用
@article{arxiv.2601.21151,
title = {Learning to Advect: A Neural Semi-Lagrangian Architecture for Weather Forecasting},
author = {Carlos A. Pereira and Stéphane Gaudreault and Valentin Dallerit and Christopher Subich and Shoyon Panday and Siqi Wei and Sasa Zhang and Siddharth Rout and Eldad Haber and Raymond J. Spiteri and David Millard and Emilia Diaconescu},
journal= {arXiv preprint arXiv:2601.21151},
year = {2026}
}