NeuralOM：用于次季节至季节模拟的神经海洋模型
机器学习
2026-01-21 v5 大气与海洋物理
摘要
对海洋和气候等缓慢变化的物理系统进行长期、高保真度的模拟，是科学计算中的一个基本挑战。传统的自回归机器学习模型在这些任务中经常失败，因为微小的误差会累积并导致预测迅速退化。为了解决这个问题，我们提出了 NeuralOM，这是一个为模拟复杂、缓慢变化的动力学而设计的通用神经算符框架。NeuralOM 的核心包含两项关键创新：（1）渐进残差校正框架，将预测任务分解为一系列细粒度的细化步骤，有效抑制长期误差累积；（2）物理引导图网络，其内置的自适应消息传递机制显式地建模多尺度物理相互作用，如梯度驱动流和乘性耦合，从而在保持计算效率的同时增强物理一致性。我们在全球次季节至季节 (S2S) 海洋模拟这一具有挑战性的任务上验证了 NeuralOM。大量实验表明，NeuralOM 不仅在预测准确性和长期稳定性上超越了 SOTA 模型，而且在模拟极端事件方面也表现出色。例如，在 60 天提前期下，NeuralOM 的 RMSE 比表现最佳的基线低 13.3%，为数据驱动的科学计算提供了一个稳定、高效且具有物理感知的范式。代码链接：https://github.com/YuanGao-YG/NeuralOM。
引用
@article{arxiv.2505.21020,
title = {NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation},
author = {Yuan Gao and Hao Wu and Fan Xu and Yanfei Xiang and Ruijian Gou and Ruiqi Shu and Qingsong Wen and Xian Wu and Kun Wang and Xiaomeng Huang},
journal= {arXiv preprint arXiv:2505.21020},
year = {2026}
}