时代无常：鲁棒气候仿真需要外分布泛化

气候仿真是一种外分布 (OOD) 投影任务。这正是现代机器学习方法最易出错的领域。因此，尽管当前训练于当前气候的 ML 仿真器在分布内性能卓越，但其在不可避免气候变化下的未来可靠性——面临分布发生的关键、尚未充分理解的盲区——仍是亟待关注的挑战。要解决这一问题，需从根本上改变我们理解、评估和设计气候仿真器的方式。本文首先确认气候变化导致大气状态分布发生统计显著且逐渐扩大的偏移，表明标准评估协议已不足。我们实证表明，季节性变化可作为这些长期气候偏移的有效代理，提供无需人工合成扰动的“真实世界”分布偏移。基于此联系，我们提出新型评估框架，利用季节性偏移作为严谨、零成本的仿真器鲁棒性测试平台。我们的系统性表征确认，当前最先进的混合 ML 仿真器在这些真实偏移下性能显著下降。最后，我们通过识别“组合泛化”——即从观察到的基本组件中形成新组合的能力——作为通向鲁棒气候仿真的原则性路径。我们展示，基于物理的分解显著提升 OOD 性能，仅在一定程度上牺牲分布内性能，为面向不可知未来气候的 ML 驱动仿真器提供了可行路径。