【预出版| AI专刊】特邀Perspective：迈向人工智能时代下的可学习气候模式之路
文章来源于：大气科学进展AASCite this article:
Huang, G., Y. Wang, Y.-G. Ham, B. Mu, W. C. Tao, and C. Y. Xie, 2024: Toward a learnable climate model under the artificial intelligence era. Adv. Atmos. Sci.,https://doi.org/10.1007/s00376-024-3305-9
Download:
http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-024-3305-9
AI专刊 | 预出版特邀Perspective迈向人工智能时代下的可学习气候模式之路
当前，人工智能（AI）迅速发展，已经在大气科学的各个领域产生了深远影响，并且不断改变和重塑着气候领域包括气候模拟和预测在内的核心问题的解决方法。但是，在这场AI驱动的变革中，气候动力学的基础作用常被忽视。通过对当前AI天气气候模型的争议以及AI和数值模式融合的分析，本文认为，未来处理气候模拟和预测等问题，应该强调AI与基础动力学之间的协同关系，而非将其视为非此即彼的选择。结合对当前AI气象大模型物理不一致性争议的分析，本文强调了更为全面、细致的动力诊断和物理约束对于AI天气气候模型发展的重要性。通过一些示例，本文展示了如何对AI模型进行动力诊断和物理约束。在AI与数值模式的融合方面，目前离线的AI参数化方案训练目标是实现该参数的全局最优，但可能无法得到相对于整个模式的全局最优解。因此，本文强调了构建双向耦合的在线AI参数化方案的重要性，并结合当前正快速发展的可微分AI模型探讨构建在线AI参数化方案的思路。此外，本文认为加强气候社群的建设至关重要，并提出了构建气候社群文化的开放、可比较、可重现（Open, Comparable, Reproducible; OCR）原则。通过物理动力学和AI的深度融合，以及开放共享的社区文化，本文相信未来可以构建出一种可学习的气候模式，既具有AI可学习可迭代的优点，又保持数值模式的物理一致性和可解释性，使得AI和物理的作用达到平衡。
图1 AI-数值模式双向耦合示意
页:
[1]