利用图神经网络零样本学习气溶胶光学性质

源自燃烧的黑碳(BC)等气溶胶是重要的短寿命气候强迫因子,其直接辐射强迫与大气寿命取决于其形貌。这些气溶胶复杂的形貌使得对其光学性质的建模十分困难,导致了对其直接与间接气候效应的不确定性。准确而快速计算 BC 光学性质对于遥感反演及大气模式中的辐射强迫计算十分必要,但当前精确计算这些气溶胶光学性质的方法计算代价高昂,且需离线编译为庞大数据库以作为查找表使用。机器学习方法的最新进展已展现出图神经网络(GNN's)在各种物理科学应用中的潜力,其通过学习定义更大系统涌现行为的内部属性与小尺度相互作用,展示了超越初始训练数据的泛化能力。在此我们证明,训练用于预测数值生成的 BC 分形聚集体光学性质的 GNN 能够准确泛化至任意形状粒子,即便其聚集体比训练数据集大得多(10倍),从而为模式与观测反演中的气溶胶光学性质计算提供了快速准确的方法。该零样本学习方法可集成至大气模式或遥感反演中,以预测真实形状气溶胶与云粒子的物理性质。此外,GNN 可用于获得小尺度相互作用(此处为球的位置与相互作用)与大尺度性质(此处为气溶胶辐射性质)之间关系的物理直观。