• 神经大气环流模型提供精确的天气和气候预测，超越传统的 GCM 和机器学习模型。
• 实现显著的计算节省，以较粗的分辨率运行，同时保持高精度。
• 展示真实的长期气候行为，包括热带气旋跟踪和季节循环。

Google 研究团队推出了神经大气环流模型，这是一种革命性的混合大气环流模型 (GCM)，它将传统的基于物理的方法与先进的机器学习组件相结合。这篇开创性的论文发表在《自然》杂志上，展示了 NeuralGCM 提高天气和气候预测准确性的能力，其表现优于传统的 GCM 和独立的机器学习模型。

几十年来，大气环流模型 (GCM) 一直是天气和气候预测的基石，并通过更好的数值方法和更快的计算能力不断完善。尽管有这些改进，GCM 仍然面临持续的偏差和错误。神经大气环流模型通过将大气动力学的可微分求解器与机器学习模块相结合来解决这些限制，提供 1-15 天的准确天气预报和几十年的现实气候预测。

神经大气环流模型的一大优势是其计算效率。其运行分辨率比最先进的模型高出八到四十倍，从而节省了大量计算资源。这种效率有利于进行广泛的集合预报，而这在以前由于计算限制而无法实现。

神经大气环流模型擅长模拟各种气候现象，从热带气旋到季节性周期。例如，它成功追踪了热带气旋的轨迹和频率，这是长期气候建模的关键能力。该模型还捕捉了全球平均气温的季节性变化，与 ERA5 的历史数据非常吻合。

神经大气环流模型的性能与 ECMWF-HRES 等领先天气模型和 GraphCast 等机器学习模型进行了对比。评估表明，神经大气环流模型不仅在中期天气预报中达到甚至超过了这些模型的准确性。例如，在飓风劳拉期间，NeuralGCM 的预测比纯机器学习模型的预测更清晰，物理一致性更高。

德米特里·科奇科夫 说过： ”NeuralGCM 将机器学习与传统的基于物理的方法相结合，标志着天气和气候预报的准确性和效率有了重大飞跃。“

杰米·史密斯 添加，我们的结果表明，NeuralGCM 可以实现逼真的长期气候模拟，这是理解和预测地球系统的重要一步。“

相关文章： AWS、Google、Meta、Microsoft 等公司呼吁供应商采取行动，通过 EPD 实现数字基础设施脱碳

NeuralGCM 的灵活架构允许结合更先进的数值方法和机器学习技术。未来的发展可能包括与其他地球系统组件耦合并增强数据同化过程，从而提高预测准确性。这种混合方法有望彻底改变从材料发现到多物理场工程设计等各个科学领域的模拟。

出版“天气和气候的神经大气环流模型《自然》杂志的论文标志着天气和气候科学的变革性一步，将机器学习的优势与传统的基于物理的模型相结合，提供精准、高效和现实的预测。