探测数据驱动气候模拟器中的强迫响应与因果性：概念限制与简化模型的作用

气候科学与应用数学中的核心挑战是开发能够捕捉 stationary statistics（平稳统计）和对外部扰动响应的多尺度系统的数据驱动模型。当前的神经气候模拟器旨在解决大气-海洋系统的全部复杂性，但往往难以再现 forced responses（强迫响应），限制了其在因果研究（如 Green's function 实验）中的应用。为探讨这些限制的根源，我们首先检视保留气候变动关键特征的简化动力系统。我们通过线性响应理论（linear response theory）对结果进行解释，为超越平稳统计评估神经模型并探讨因果机制提供了严格的框架。我们认为多尺度系统模拟器再现扰动统计的能力关键取决于 (i) 合适的粗粒度表示选择，以及 (ii) 对无法解析过程的谨慎参数化。这些见解凸显了针对特定目标、过程和尺度的简化模型作为通用模拟器的有价值替代方案。我们随后考虑了实际应用，通过开发神经模型来探讨表面温度场和辐射通量的联合变动。该模型直接从数据推断出乘性噪声过程（multiplicative noise process），基本再现了系统的概率分布，并通过强迫响应实现因果研究。我们讨论了其局限性并概述了未来工作方向。总体而言，这些结果暴露了数据驱动多尺度物理系统建模中的关键挑战，凸显了粗粒度、随机方法的价值，以及响应理论提供的原则框架可指导模型设计并增强因果理解。