Aurora 编码器的物理一致性：定量研究

大规模气象预报模型如 Aurora 的高精度往往伴随透明度不足，其内部表示基本保持不可见。这种“黑箱”特性阻碍了其在高风险操作场景中的应用。本文通过探讨 Aurora 编码器的潜在表示是否与已知物理和气象学概念相吻合，来检验其物理一致性。我们使用大规模嵌入数据集，训练线性分类器以识别三个 distinct 概念：基本的陆地-海洋边界、高影响极端温度事件以及大气不稳定性。我们的发现提供了定量证据，表明 Aurora 学习了物理一致的特征，同时也凸显了其在捕捉最稀有事件方面的局限性。这项工作强调了对可解释性方法进行验证并建立信任的重要性，以支持下一代基于 AI 的气象模型的发展。