论文Neural General Circulation Models for Weather and Climate介绍了NeuralGCM，这是一种结合了可微分大气动力学求解器和机器学习（ML）组件的混合模型。该模型能够生成具有与传统大气环流模型（GCM）和机器学习方法相当的准确性的天气和气候预测。NeuralGCM具备较高计算效率和捕捉大规模物理模拟的能力。
论文作者为Dmitrii Kochkov, Janni Yuval, Ian Langmore, Peter Norgaard, Jamie Smith, Griffin Mooers, Milan Klöwer, James Lottes, Stephan Rasp, Peter Düben, Sam Hatfield, Peter Battaglia, Alvaro Sanchez-Gonzalez, Matthew Willson, Michael P. Brenner, Stephan Hoyer，来自Google Research, Google DeepMind, 欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts）、麻省理工学院、哈佛大学。
论文内容概要如下：
一、引言
大气环流模型（GCM）是天气和气候预测的基础，结合了大规模动力学的数值求解器和小规模过程的表示。最近训练于再分析数据的机器学习模型在天气预报中取得了很高的性能，但在长期稳定性和集合预报方面存在困难。NeuralGCM旨在通过整合可微分求解器和ML组件来解决这些问题。
二、NeuralGCM模型结构
NeuralGCM模型由两个关键组件组成：
- 可微分动力核心： 使用JAX实现，求解包含水分的静力原始方程。
- 学习物理模块： 利用神经网络参数化未解析的过程，如云形成和辐射传输。
总体结构包括编码输入（如强迫和初始条件），通过动力核心和学习物理模块处理，并使用ODE求解器进行时间积分。
三、NeuralGCM模型训练
NeuralGCM采用端到端训练，使用随机梯度下降，并逐渐增加训练期间的展开长度以增强稳定性。使用的损失函数包括准确性损失（过滤MSE）、清晰度损失（频谱MSE）和偏差损失（频谱偏差MSE）。根据特定协议训练确定性和随机性模型。
四、结果
1.天气预报：
- 准确性： NeuralGCM在RMSE和CRPS评分上与ECMWF模型和其他基于ML的方法（如GraphCast和Pangu）具有竞争力。它在不同预测时间范围内的确定性和集合预报中表现良好。
- 物理一致性： 该模型捕捉到了现实的天气模式，包括热带气旋和大气河流。功率谱分析表明，NeuralGCM在时间上保持更一致的性能。
2.气候模拟：
- 季节循环和涌现现象： NeuralGCM能够模拟季节循环和大气涌现现象，如热带气旋，准确度合理。
- 十年模拟： 该模型比传统的AMIP运行更好地捕捉了历史温度趋势和热带变暖趋势的垂直结构。
五、讨论和结论
NeuralGCM表明，将ML与传统GCM相结合可以产生准确且计算效率高的天气和气候模型。这种方法在需要特定预测任务时提供了融合更多物理或ML的灵活性。仍然面临的挑战包括模拟前所未有的气候和确保长期模拟的数值稳定性。
NeuralGCM代表了天气和气候预测中混合建模的重要进步，结合了传统和基于ML的方法的优点。其执行端到端学习和提供计算节省的能力使其成为未来地球系统建模进步的有希望工具。
NeuralGCM on GitHub: https://github.com/google-research/neuralgcm