NeuralOGCM: Differentiable Ocean Modeling with Learnable Physics

📄 arXiv: 2512.11525v1 📥 PDF

作者: Hao Wu, Yuan Gao, Fan Xu, Fan Zhang, Guangliang Liu, Yuxuan Liang, Xiaomeng Huang

分类: cs.LG, cs.AI

发布日期: 2025-12-12

💡 一句话要点

NeuralOGCM：融合可学习物理的海洋模型，实现高效高精度模拟

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 海洋建模 可微编程 深度学习 物理信息 科学计算 神经网络 ODE求解器

📋 核心要点

  1. 传统科学模拟面临计算效率和物理保真度的两难，难以兼顾。
  2. NeuralOGCM融合可微编程与深度学习，构建可学习物理核心的海洋模型。
  3. 实验表明，NeuralOGCM在长期稳定性和物理一致性上表现出色，且效率更高。

📝 摘要（中文）

本文提出NeuralOGCM，一个融合可微编程和深度学习的海洋建模框架，旨在解决高精度科学模拟中计算效率和物理保真度之间的长期权衡。NeuralOGCM的核心是一个完全可微的动力学求解器，它利用物理知识作为核心归纳偏置。可学习的物理集成捕获大规模、确定性的物理演化，并将关键物理参数（例如，扩散系数）转换为可学习的参数，使模型能够通过端到端训练自主优化其物理核心。同时，一个深度神经网络学习校正物理模型未捕获的亚网格尺度过程和离散化误差。这两个组件协同工作，它们的输出由统一的ODE求解器集成。实验表明，NeuralOGCM保持了长期稳定性和物理一致性，在速度上显著优于传统数值模型，在精度上优于纯AI基线。这项工作为构建快速、稳定和物理上合理的科学计算模型开辟了一条新道路。

🔬 方法详解

问题定义：传统海洋模型在追求高精度时，计算成本巨大，难以满足实时性要求。而纯数据驱动的AI模型虽然速度快，但缺乏物理约束，难以保证长期稳定性和物理合理性。因此，需要一种既能高效计算，又能保证物理一致性的海洋模型。

核心思路：NeuralOGCM的核心思路是将物理知识融入到深度学习模型中，利用可微编程构建可学习的物理核心。通过将关键物理参数设置为可学习的，模型可以通过端到端训练自主优化其物理核心，从而提高模型的精度和效率。同时，利用深度神经网络来校正物理模型未捕获的亚网格尺度过程和离散化误差，进一步提高模型的精度。

技术框架：NeuralOGCM的整体架构包含两个主要模块：可微动力学求解器和深度神经网络。可微动力学求解器基于物理知识构建，负责捕获大规模、确定性的物理演化。深度神经网络负责校正亚网格尺度过程和离散化误差。这两个模块的输出由统一的ODE求解器集成，从而得到最终的海洋模型预测结果。

关键创新：NeuralOGCM的关键创新在于将物理知识和深度学习相结合，构建了一个可学习的物理核心。通过将关键物理参数设置为可学习的，模型可以通过端到端训练自主优化其物理核心，从而提高了模型的精度和效率。这种方法不同于传统的数值模型，也不同于纯数据驱动的AI模型，是一种新的科学计算建模方法。

关键设计：NeuralOGCM的关键设计包括：1) 将扩散系数等关键物理参数设置为可学习的参数；2) 使用深度神经网络来校正亚网格尺度过程和离散化误差；3) 使用统一的ODE求解器来集成可微动力学求解器和深度神经网络的输出；4) 设计合适的损失函数，以保证模型的长期稳定性和物理一致性。具体的网络结构和参数设置在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，NeuralOGCM在速度上显著优于传统数值模型，在精度上优于纯AI基线。具体而言，NeuralOGCM在保持长期稳定性和物理一致性的前提下，能够以更快的速度完成海洋环境模拟任务，并且预测精度高于传统的AI模型。这些结果验证了NeuralOGCM的有效性和优越性。

🎯 应用场景

NeuralOGCM可应用于气候变化预测、海洋资源管理、航运安全保障等领域。该模型能够提供快速、稳定和物理上合理的海洋环境模拟，为相关决策提供科学依据。未来，该研究有望推动科学计算与人工智能的深度融合，为更多科学领域的建模提供新的思路和方法。

📄 摘要（原文）

High-precision scientific simulation faces a long-standing trade-off between computational efficiency and physical fidelity. To address this challenge, we propose NeuralOGCM, an ocean modeling framework that fuses differentiable programming with deep learning. At the core of NeuralOGCM is a fully differentiable dynamical solver, which leverages physics knowledge as its core inductive bias. The learnable physics integration captures large-scale, deterministic physical evolution, and transforms key physical parameters (e.g., diffusion coefficients) into learnable parameters, enabling the model to autonomously optimize its physical core via end-to-end training. Concurrently, a deep neural network learns to correct for subgrid-scale processes and discretization errors not captured by the physics model. Both components work in synergy, with their outputs integrated by a unified ODE solver. Experiments demonstrate that NeuralOGCM maintains long-term stability and physical consistency, significantly outperforming traditional numerical models in speed and pure AI baselines in accuracy. Our work paves a new path for building fast, stable, and physically-plausible models for scientific computing.