结合流体动力学与神经网络，AI模型准确进行天气预测与气候模拟

《自然》23日报道了一种人工智能（AI）模型。结合经网该模型名为“NeuralGCM”，流体络结合了流体动力学与神经网络，动力能进行准确的学神型准行天天气预测和气候模拟。模型超越了部分现有模型，确进气预与传统模型相比，测气有望节省大量算力。候模

一般环流模型（GCMs）能表示大气、结合经网海洋和陆地的流体络物理过程，是动力天气和气候预测的基础。而减少长期预报的学神型准行天不确定性以及估算极端天气事件，则是确进气预气候预测的关键。机器学习模型一直被认为是测气天气预测的一种替代手段，它们在节省算力成本方面具有优势，候模但在长期预报方面的结合经网表现常常不如一般环流模型。

鉴于此，美国谷歌研究院团队设计了“NeuralGCM”，这个模型结合了机器学习和物理方法，能进行中短期天气预报以及几十年的气候模拟。该模型对1—15天预报的准确率能媲美欧洲中期天气预报中心（ECMWF，最好的传统物理天气模型之一）的预测结果。对于最多提前10天的预报，“NeuralGCM”的准确率与现有机器学习技术不相上下，有时甚至更好。

“NeuralGCM”的气候模拟准确率与最好的机器学习和物理方法相当。当团队在“NeuralGCM”的40年气候预测中加入海平面温度后，他们发现，模型给出的结果与从ECMWF数据中发现的全球变暖趋势一致。新模型在预测龙卷风及其轨迹方面也超过了已有的气候模型。

团队总结道，这些结果共同表明，机器学习是提升一般环流模型的一个可行手段。