NeuralGCM:可微分动力核与神经参数化耦合的大气环流模型
新简介
NeuralGCM 由 Google Research、Google DeepMind、欧洲中期天气预报中心(ECMWF)、麻省理工学院与哈佛大学联合研发,是首个把可微分的大气动力核与神经网络参数化模块完全耦合、端到端训练的混合大气环流模型。仓库位于 neuralgcm/neuralgcm(早期地址 google-research/neuralgcm 现为 301 重定向),建于 2024 年 2 月 5 日,最后一次推送为 2026 年 11 月 11 日,代码采用 Apache-2.0 许可;截至本文核验时约 1037 个 star、145 个 fork、70 个未关闭 issue,默认分支 main。
项目有两篇对应的正式文献。第一篇是 arXiv 预印本 2311.07222,2023 年 11 月 13 日发布,v3 版 2024 年 3 月 8 日更新,论文注明「92 页,54 幅图,Nature (2024)」;第二篇是 Nature 正式论文《Neural general circulation models for weather and climate》,2024 年 7 月 22 日在线,卷 632,页码 1060–1066,DOI 10.1038/s41586-024-07744-y。作者团队规模不小,第一作者为 Dmitry Kochkov 与 Janni Yuval(两人对等贡献),通讯作者还包括 Stephan Hoyer,机构横跨 Google Research 山景城办公室、Google DeepMind 伦敦办公室、ECMWF 雷丁、MIT 地球大气与行星科学系以及哈佛工程与应用科学学院。
这个项目在气象 AI 谱系里的位置有一个重要转折。此前纯机器学习气象模型(GraphCast、Pangu 等)在确定性预报指标上已经追平甚至超过传统数值模式,但论文明确指出它们存在三个结构性缺口:无法给出经过校准的不确定性估计;使用均方误差损失会被奖励去「平均掉不确定性」,多日预报因此出现模糊化;以及推导量(如地转风)表示失真。而传统 GCM 的调参依赖人工流程,且长期存在系统性偏差与气候漂移。
NeuralGCM 的主张是把两者合起来:动力核负责大尺度流体运动与热力学,学习到的物理模块负责云、辐射、降水等未解析过程。这一思路不是新概念,但此前的混合模型普遍是「离线训练」——先把 ML 组件独立于动力方程训练好,再插入已有 GCM,缺乏训练期耦合,容易引发不稳定与气候漂移,且多停留在理想化的水球实验。NeuralGCM 的差异在于端到端的在线训练。
在本站的收录体系中,NeuralGCM 属于「物理与机器学习深度耦合」这一类的代表条目,与本站已有的 GraphCast 条目、Pangu-Weather 条目、FourCastNet 条目 同属天气预报方向但技术路线不同——那三者属于纯数据驱动的 AI 天气模型,NeuralGCM 则保留了守恒方程与数值求解器。
原理与工作方式
NeuralGCM 的骨架由两段组成,图 1 给出了完整流程。
第一段是可微分动力核,用 JAX 实现,支持自动微分。它求解含水分的静力原始方程,采用水平伪谱离散与垂直 sigma 坐标,积分七个预报变量:水平风的涡度与散度、温度、地表气压,以及三种水物种(比湿、云冰水含量、云液水含量)。
第二段是学习物理模块。它沿用 GCM 的单柱(single-column)参数化思路——只用大气单根竖直柱内的信息去预测该柱内未解析过程的效应,由一个带残差连接的全连接神经网络实现,权重在所有柱之间共享。网络的输入包括柱内的预报变量、入射太阳辐射总强度、海冰浓度与海表温度。此外论文说明还额外提供了预报变量的水平梯度,这一项被发现能改善性能。所有输入用模型初始化阶段预计算的统计量标准化为零均值单位方差,输出为预报变量的倾向率,按目标场的固定无条件标准差缩放。
在数据坐标与模型坐标之间还有一对编码器与解码器。它们在气压层与 sigma 层之间做线性插值,同时各自引入了学习到的修正,用的是与学习物理模块相同的单柱网络结构。论文特别指出,编码器的一项作用是消除初始化冲击中的重力波——否则重力波会污染预报。
时间推进由一个隐式-显式 ODE 求解器完成,求解器的时间步长受动力核的 CFL 条件限制,可能远小于大气变化的时间尺度。论文给出一个具体的开销口径:学习物理的求值代价约为动力核一个时间步的 1.5 倍;因此遵循 GCM 的常规做法,学习物理的倾向率在多个 ODE 时间步内保持不变,典型对应 30 分钟模拟时间。附录给出更细的设定——状态每 4 至 30 分钟迭代更新一次,学习物理倾向率在最低分辨率 2.8° 模型上每 60 分钟重算一次、1.4° 与 0.7° 模型上每 30 分钟重算一次。
训练采用端到端方式:模型先向前推进多个时间步,再用随机梯度下降最小化与保守重网格化 ERA5 数据之间的差异。滚动长度从 6 小时逐步增加到 5 天,论文强调这一步是关键的,因为模型在训练早期对多日预报并不准确。跨数百个模拟步的反向传播让神经网络能够感知学习物理与动力核之间的相互作用。
损失函数分两套。确定性模型用三个损失项组合:其一是标准 MSE,训练主阶段所有损失都在球谐基下计算,并按提前期逐步滤掉更高总波数的贡献,这一处理针对「双重惩罚问题」,避免在超出可预报性范围后惩罚模型把高波数特征预测在错误位置上;其二是在预报变量总波数谱上做平方损失,促使频谱匹配训练数据;前两项同时在 sigma 层与气压层上评估。其三是在球谐系数的批次平均幅度上做 MSE,抑制偏差。最终评估前还会单独对解码器做 24 小时短滚动微调。三个损失项的联合作用使 3 天滚动训练的模型能在数年至数十年的模拟中保持稳定。
随机模型则以**连续排序概率评分(CRPS)**为基础,它由鼓励精度的平均绝对误差与鼓励集合离散度的项平衡构成,对每个变量使用网格空间 CRPS 与低于最大截断波数的球谐基 CRPS 之和,滚动长度同样从 6 小时到 5 天。随机性的注入方式是向学习编码器与学习物理模块输入具有学习到的空间与时间相关性的高斯随机场。
适用边界与前提
前提条件集中在四处。
数据前提:训练与评估使用公开的 ERA5 再分析数据集,原下载自 Copernicus CDS,并以 Zarr 格式存放于 Google Cloud Storage 的 gs://gcp-public-data-arco-era5/ar/full_37-1h-0p25deg-chunk-1.zarr-v3。评估集为 2020 年正午与 UTC 零时共 732 次预报,该年份对所有 ML 模型都属留出。
硬件前提:文档明确建议在带 GPU 或 TPU 的机器上运行,否则性能会非常缓慢。论文的训练全部在 Google Cloud TPU 上完成,采用数据并行(每个 TPU 设备跑一个样本、批次分散到多个 TPU 核),0.7° 与集合模型还额外沿空间维度做模型并行。
坐标与变量前提:NeuralGCM 当前只模拟大气层,不含海洋与陆面。用于气候模拟的海表温度与海冰浓度须由使用者自行提供外强迫数据。模型内部状态使用无量纲单位与「模拟时间」,与 SI 制和 numpy.datetime64 的转换由专门工具函数承担。
接口前提:用户侧 API 核心是 PressureLevelModel 类,支持 from_checkpoint 构造、encode/decode 状态转换、advance 单步与 unroll 滚动推进,以及与 xarray.Dataset 互转的方法。需要注意的是 Xarray 与 JAX 不兼容,二者之间的转换必须走这些显式接口。
训练能力前提是本项目当前的明确短板。文档首页写得很直白:团队希望支持训练、修改和微调 NeuralGCM 模型,但当前代码库基于 Haiku 与 Gin 配置,这比实际需要的复杂得多,因此第三方的训练支持较为棘手;文档同时说明当时(2024 年 5 月)正在重构建模代码以改善可用性。仓库的 neuralgcm/legacy/ 目录保留了论文训练流程的伪代码与参考实现,含 reference_code/ 下的 experiment.py、metrics.py、stochastic_losses.py、数据读取器以及四个论文配置(deterministic_0_7_deg.gin、deterministic_1_4_deg.gin、deterministic_2_8_deg.gin、stochastic_1_4_deg.gin)。
上手路径
最短路径是只做推理。安装只需一行:pip install neuralgcm,会自动拉取依赖,包括 JAX 与 Dinosaur 动力核包。预训练权重托管在 Google Cloud Storage 的 gs://neuralgcm/models/,全部以 CC BY-SA 4.0 许可分发。
文档给出的选型建议相当具体。若做天气预报,通常推荐 1.4° 随机模型,它在各项指标上整体表现最好,尤其是 5 天以上的预报;若更看重短时效,可选 0.7° 确定性模型,它慢得多但头几天更准。若做季节到气候尺度,高分辨率模型不稳定:未经修改的 1.4° 随机模型可可靠运行约 6 个月,1.4° 确定性模型可运行约 2 年,稳定性还能通过固定平均对数地表气压来增强;做多年代际气候模拟则推荐 2.8° 随机模型,附带的好处是能分别预测降水与蒸发。这些场景都需要自行提供海表温度与海冰浓度外强迫。若需要预测降水,可用 2.8° 随机(降水)或 2.8° 随机(蒸发)模型,两者都同时预测降水与蒸发,差别在于训练方式:降水模型在 6 小时及以上的时分辨率上能给出真实的累积降水值,但在更细的时分辨率下精度吃力;蒸发模型则可能产生略为负的降水率。这两个模型在天气预报上略逊于 1.4° 随机模型,但能可靠支撑 20 年的大气-only 气候模拟。
六个可用权重的路径分别是 v1/deterministic_0_7_deg.pkl、v1/deterministic_1_4_deg.pkl、v1/deterministic_2_8_deg.pkl、v1/stochastic_1_4_deg.pkl、v1_precip/stochastic_precip_2_8_deg.pkl、v1_precip/stochastic_evap_2_8_deg.pkl。前四个对应 Nature 论文,后两个对应降水优化的预印本(arXiv 2412.11973,2024 年 12 月 16 日发布)。
仓库内还备有轻量测试数据 neuralgcm/data/ 目录下的 ERA5 tl31 数据与 tl63 随机模型检查点,配合 neuralgcm.demo.load_data 与 load_checkpoint_tl63_stochastic 两个辅助函数,可在不下载大体量云端数据的情况下跑通流程。
需要注意仓库组织上的一次演进:主体目录分为 base/(基础算子与参数化)、classical/(原始方程)、coupled/(耦合接口)、hybrid/(混合模型主体)、ml/(学习更新)、legacy/(旧版完整实现与论文参考代码)。文档另提到一个实验性 API,基于 coordax 的坐标感知数据表示与 nnx 的有状态模型组件,提供 Field 数据模型、Model 子类化接口、不可变的 InferenceModel、以及用于批量与集合模拟的 VectorizedModel,并与 Apache Beam 兼容;教程已迁至独立的 terrax 仓库。文档首页同时声明,文档主要聚焦推理 API,并认为这是对第三方最直接有用的部分,也是他们承诺以当前形态继续支持的部分。
横向对比
与纯 ML 气象模型相比,NeuralGCM 的分界线在「是否保留动力核」。论文给出了一组便于记忆的代码量对照:GraphCast 约 5417 行核心模型代码,NOAA 的 FV3 大气模式约 376578 行,差了约七十倍。纯 ML 路线在确定性 1–10 天预报上已经处于领先,但按论文的分析存在三个结构性限制——不确定性不校准、均方误差损失导致模糊化、推导量表示失真。NeuralGCM 依靠保留动力核来规避这三点:地转风的垂直结构表示比 GraphCast 更准确(尽管仍略逊于 ECMWF-HRES),且该误差在最初几天仅有轻微退化、第 5 天之后没有明显变化。
与 ECMWF 的对比在论文中分为确定性(HRES)与集合(ENS)两条线。1–3 天内,NeuralGCM-0.7° 与 GraphCast 的 RMSE 最优,两者随变量有细微差异;更长的提前期上 RMSE 因混沌发散而迅速增大,参考价值下降,于是论文转向 RMSB(持续偏差的均方根)来指示长期表现,NeuralGCM 在此项上同样占优,热带地区比湿的偏差明显更小。集合层面,1.4° 分辨率的 NeuralGCM-ENS 在几乎所有变量、提前期与垂直层上,集合平均 RMSE、RMSB 与 CRPS 均优于 ECMWF-ENS,且技能的空间分布形态相似,spread-skill ratio 约为 1——这是校准预报的必要条件。论文的表述是 NeuralGCM 是第一个能做出准确集合天气预报的 ML 模型。
与全球云解析模式(如 GFDL 的 X-SHiELD)的对比在气候模拟部分。可降水量年偏差方面 NeuralGCM 的 RMSE 为 1.09 mm,X-SHiELD 为 1.74 mm,气候态为 1.36 mm;上层与下层大气的温度偏差 NeuralGCM 也更低。热带气旋方面,NeuralGCM 在 1.4° 粗分辨率下给出 83 个气旋,ERA5 对应时段为 86 个,而 X-SHiELD 重网格到 1.4° 后只有 40 个。
与后续的降水优化版本相比,原版 NeuralGCM 直接预测的是大气柱的倾向率,因此无法区分降水与蒸发——这是论文明确承认的限制,也是 arXiv 2412.11973 那篇论文要解决的问题。
在本站的横向语境中,NeuralGCM 与 GNoME 条目、MACE 条目 共享同一条方法论主线:把不可微或难以手写的物理过程参数化交给可训练的组件,让数据去调参数化,方程本身仍然完整保留。差别在于 NeuralGCM 严格保留了守恒结构,因此可以外推到超出训练分布的提前期与气候态。
基准与数据
评测协议依 WeatherBench2。所有预报用保守重网格化到 1.5° 网格,取 2020 年正午与 UTC 零时共 732 次预报求平均。NeuralGCM、GraphCast、Pangu 以 ERA5 为真值;ECMWF 的 ENS 与 HRES 则以 ECMWF 业务分析(即 HRES 的 0 小时提前期)为参照,以避免因与 ERA5 的偏差差异而惩罚业务预报。
精度指标包括 RMSE、bias、CRPS 与 spread-skill ratio。论文给出的具体数字有:2020 年全球平均温度(850 hPa)集合均值的 RMSE 为 0.16 K,对照气候态的 RMSE 为 0.45 K;可降水量年偏差 RMSE 1.09 mm,气候态 1.36 mm,X-SHiELD 1.74 mm;热带气旋计数 83 对 ERA5 的 86,X-SHiELD 为 40。
稳定性是混合模型最关键的验证项,论文给出了两个量级的数据。两年期模拟:使用 NeuralGCM-1.4°,以 2019 年每隔 10 天为间隔取 37 个初始条件,其中 35 个完成完整两年模拟而未出现不稳定。40 年期 AMIP 式模拟:使用 NeuralGCM-2.8°,以 1980 年每隔 10 天为间隔取 37 个初始条件,其中 22 个在整个 40 年期间保持稳定,论文的分析即针对这 22 个结果,并与 CMIP6 第二阶段的 22 个 AMIP 试验对比。结论是这 22 个 NeuralGCM 运行在 1981–2014 平均的空间偏差上均小于 CMIP6 的 AMIP 运行,且在扣除 CMIP6 AMIP 的全球温度偏差后结论依然成立。
外推到未见过的气候是模型边界的一次实测。论文用抬高海表温度的 AMIP 模拟检验:+1 K 与 +2 K 的升温下 NeuralGCM 表现出若干稳健的变暖响应特征,但 +4 K 时响应明显偏离预期,并且这些增暖 AMIP 模拟出现了气候漂移,凸显该场景下的局限。
未见数据的泛化:论文比较了训练截止 2017 年的 NeuralGCM-0.7° 与 GraphCast 在 2018–2022 五年预报上的表现,NeuralGCM 没有出现随初始时刻远离训练数据而误差上升的明显趋势;更进一步的测试是用 2000 年前的数据训练 NeuralGCM-2.8°,在超过 21 年的未见年份上测试技能。
算力是这项工作最有说服力的部分。论文的表述是:相比同等技巧的传统 GCM,NeuralGCM 计算效率高且复杂度低,其水平分辨率比 ECMWF IFS 与全球云解析模式粗 8–40 倍,由此带来 3–5 个数量级的算力节省。具体对照是 NeuralGCM-1.4° 用单个 TPU 在 24 小时内模拟 70000 个模拟日,而 X-SHiELD 在 13824 个 CPU 核上模拟同样的时长只能完成 19 个模拟日。附录 G6 的资源表给出更细的口径:
- 训练时长与设备:2.8° 确定性模型训练 1 天、16 个 TPU v4;1.4° 确定性模型 1 周、16 个 TPU v4;0.7° 确定性模型 3 周、256 个 TPU v4;1.4° 集合模型 10 天、128 个 TPU v5e。
- 参数量:2.8° 为 14.5 M,1.4° 为 18.3 M,0.7° 为 31.1 M,集合模型为 11.5 M。
- 推理时间(单个 TPU v4 核,10 天预报):2.8° 为 2.5 秒,1.4° 为 12.6 秒,0.7° 为 119 秒,集合模型为 12.4 秒。
- 推理速度(单个 TPU v4 核,模拟日/天):350000、69000、7300、70000。
- 推理峰值显存:255 MB、1100 MB、4177 MB、1011 MB。
训练超参数同样有明确口径:全部使用 Adam,β1 = 0.9,β2 = 0.95,ε = 1e-6;学习率在最初 2000 步线性升至峰值后保持恒定,训练到第 15000 步起以衰减率 0.5 启动指数衰减,衰减时间设为 10000 步。峰值学习率 2.8° 与 1.4° 为 0.002、0.7° 与集合模型为 0.001,训练步数分别为 38000、26000、25000 与 43000。
物理 AI 场景中的用法
在气象业务侧,NeuralGCM 展示了一条此前被纯 ML 路线认为无法走通的路:集合预报。集合预报需要的不只是平均场准确,还需要离散度与误差匹配(spread-skill ratio 约为 1)。NeuralGCM 的做法值得注意——它不直接预测降水这类观测,而是诊断「降水减蒸发」,因为平流由动力核处理、ML 参数化只管柱内局地过程,局地源汇因此可以从水平输运贡献中分离出来。这种「把可诊断量交给物理、把不可诊断量交给学习」的分工,是这份工作在方法论上最可迁移的一点。
在气候模拟侧,它提供了一个此前纯 ML 模型难以企及的能力:在给定历史海表温度的条件下做数十年积分,并复现历史变暖趋势、Hadley 环流、季风、以及气旋的频率与轨迹。论文明确把这称为「为争议假说提供了强证据」——即学习短期天气是有效调参气候参数化的方式,3 天滚动训练的模型能实现真实的多年度模拟。
在跨领域视角下,这篇论文的讨论部分给出了一句很有分量的判断:基于物理定律与经验关系构建的模型在科学中无处不在,而可微分混合建模这一路线「有潜力改变广泛应用的模拟方式」,并明确点名了材料发现、蛋白质折叠与多物理场工程设计三个方向。对照本站收录的内容,这三个方向恰好分别对应本站的材料发现条目、蛋白结构预测条目与多物理场耦合集合——这个对照也提示,NeuralGCM 的核心贡献是「混合建模范式」本身,而它的天气预报只是这个范式的第一个成功案例。
还有一个方法论层面的价值:论文指出,采用谱匹配损失与集合预报损失的训练策略,其思想同样可以移植到纯 ML 方法中。这对本站物理基础模型集合所覆盖的数据驱动路线而言,是一个不丢物理的改进方向。
不适用场景与失效模式
论文与文档披露的失效模式可以逐条对应到具体约束。
长期积分的不稳定性是混合模型的通病,NeuralGCM 并未消除,只是把稳定比例提高到了可用水平。两年模拟 37 个初始条件稳定 35 个,40 年模拟 37 个稳定 22 个——后者约六成的失败率说明「跑得动」和「跑得久」是两件事。
气候漂移在增暖场景下出现。+1 K 与 +2 K 海表温度下响应尚可,+4 K 时明显偏离预期并伴随气候漂移。这意味着模型的外推能力不能仅凭其在历史强迫下的表现来推断。
分辨率与稳定性的取舍是硬约束。文档直言「对于季节到气候时间尺度,高分辨率 NeuralGCM 模型是不稳定的」,因此气候模拟只能退到 2.8°,这直接限制了它对细尺度气候现象的刻画能力。
降水与蒸发不可分辨是原版模型的结构性限制。模型直接预测大气柱的倾向率,因而无法区分两者;文档说明降水模型在 6 小时以下时分辨率上精度吃力,蒸发模型可能产生略为负的降水率。
集合预报成本的门槛:1.4° 集合模型推理需 12.4 秒、显存约 1011 MB,成员数越多成本线性增长;文档将「大规模集合预报」列为该效率带来的新可能场景,但这需要成比例的硬件投入。
训练支持不足是最实际的使用障碍。文档明确说明以当前的 Haiku 加 Gin 代码库,第三方要训练或微调模型「比实际需要的复杂得多」,模型构建与训练伪代码留在 neuralgcm/legacy/reference_code/ 中,作为论文复现材料保留,并未作为对外的工程接口。
纯大气限制:不含海洋、陆面耦合,也不含化学成分(温室气体、气溶胶)模块。论文把「与其它地球系统分量耦合」列为气候投影方向的下一步改造工作。
代码体积与复杂度上的隐性成本:论文同时给出正面与负面两面——代码量比 FV3 少两个数量级是正面,但动力核用全局谱方法、学习物理用全连接网络,二者的实现与数值分析门槛并未消失,论文称「用更先进的数值方法和 ML 架构追求更高精度仍有充足的提升空间」。
版本与口径核对
仓库地址变更:论文(arXiv v3,2024 年 3 月)与 Nature 论文的代码可用性一节均写作 https://github.com/google-research/neuralgcm 与 https://github.com/google-research/dinosaur。当前这两个地址均为 301 重定向,实际仓库为 neuralgcm/neuralgcm 与 neuralgcm/dinosaur。引用仓库时应使用新地址并注明重定向关系。
文献双轨:arXiv 2311.07222(2023-11-13 首版,v3 为 2024-03-08,92 页 54 图)与 Nature 卷 632 页 1060–1066(2024-07-22 在线,DOI 10.1038/s41586-024-07744-y)内容高度重合但各有版本时间,引用时须指明具体是哪一版。
权重许可与代码许可分层:README 明确区分——代码为 Apache License 2.0,训练得到的模型权重为 Creative Commons Attribution-ShareAlike 4.0 International。文档的 checkpoints 页面同样声明全部检查点由 Google 以 CC BY-SA 4.0 分发。注意这与 OpenFold 那一类「参数 CC BY 4.0」的安排不同,SA 条款带有分享相同方式的要求。
数值口径不可混用:集合法与确定性法的时间序列不可直接比较;1.4° 集合模型与 1.4° 确定性模型是不同产物,其稳定性上限也不同(前者约 6 个月,后者约 2 年)。2.8° 降水模型与 2.8° 蒸发模型各自都能同时输出降水与蒸发,差别只在训练方式。
稳定性统计的分母:两年模拟的 35/37 与 40 年模拟的 22/37,分母都是「每隔 10 天取的初始条件总数」,且只统计「无不稳定完成全程」的运行。论文对 40 年实验另注明分析仅针对 22 个稳定运行,并与 CMIP6 的 22 个 AMIP 试验对比。
算力对照的硬件前提:70000 模拟日 / 24 小时 / 单 TPU 对 19 模拟日 / 13824 CPU 核这一对照,是「单 TPU 对 13824 CPU 核」的口径,与附录 G6 中推理速度按「单个 TPU v4 核」给出的数字同源,不能与「单张 GPU」口径混用。
分辨率命名:0.7°、1.4°、2.8° 是水平网格间距,垂直方向统一为 32 个等距 sigma 层。
引用与发布年份口径:仓库创建于 2024 年 2 月 5 日,晚于 2023 年 11 月的 arXiv 首版与 2024 年 7 月的 Nature 论文首版,说明公开代码的时点与论文时点并不重合。
参考资料
- NeuralGCM 论文:《Neural General Circulation Models for Weather and Climate》,arXiv 2311.07222,2023 年 11 月 13 日发布,v3 版 2024 年 3 月 8 日更新,92 页 54 图。
- NeuralGCM 正式论文:《Neural general circulation models for weather and climate》,Nature,卷 632,页 1060–1066,2024 年 7 月 22 日,DOI 10.1038/s41586-024-07744-y。
- NeuralGCM 官方仓库:https://github.com/neuralgcm/neuralgcm ,Apache-2.0(旧地址 google-research/neuralgcm 为 301 重定向)。
- NeuralGCM 官方文档站:https://neuralgcm.readthedocs.io/ ,含安装、推理、权重清单与实验性 API 章节。
- 预训练权重托管页(Google Cloud Storage):
gs://neuralgcm/models/,六个检查点均以 CC BY-SA 4.0 分发。 - Dinosaur 仓库(可微分动力核):https://github.com/neuralgcm/dinosaur ,Apache-2.0。
- 降水优化版本论文:《Neural general circulation models optimized to predict satellite-based precipitation observations》,arXiv 2412.11973,2024 年 12 月 16 日。
- WeatherBench2 评测项目:https://github.com/google-research/weatherbench2 ,Apache-2.0,评测协议与数据指南见其文档站。
- ERA5 再分析数据集论文:《The ERA5 global reanalysis》,Quarterly Journal of the Royal Meteorological Society,2020 年。
- GraphCast 论文:《Learning skillful medium-range global weather forecasting》,Science 382 卷 1416–1421 页,2023 年。
- Pangu-Weather 论文:《Accurate medium-range global weather forecasting with 3D neural networks》,Nature 619 卷 533–538 页,2023 年。
- WeatherBench 2 预印本:《WeatherBench 2: A benchmark for the next generation of data-driven global weather models》,arXiv 2308.15560。
- Koopman 综述:《Are general circulation models obsolete?》,PNAS,2022 年。
- GFDL X-SHiELD 全球云解析模式资料,GA DoE 开放数据桶
gs://ai2cm-public-requester-pays/C3072-to-C384-res-diagnostics。 - RAOBCORE V1.9 探空资料再分析数据集,用于热带温度趋势参考。
- CMIP6 数据目录:https://catalog.pangeo.io/browse/master/climate/ 。
- NeuralGCM 官方邮件列表(发布通告):https://groups.google.com/g/neuralgcm-announce 。
- Dinosaur 动力学核心的数值方法参考:原始方程的伪谱离散与静力平衡框架,见论文附录 B 与 C。