Learning Prognostic Variables for AI Convective Parameterizations via Symbolic Distillation
作者: Jurij Schönfeld, Tom Beucler, Julien Savre, Steven Sherwood, Veronika Eyring
分类: cs.LG, physics.ao-ph
发布日期: 2026-09-21
💡 一句话要点
通过符号蒸馏学习预后变量以改进气候模型参数化
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 气候建模 参数化 深度学习 自编码器 符号方程 对流过程 记忆变量 气候统计
📋 核心要点
- 现有气候模型主要依赖局部时间的诊断参数化，缺乏对过去状态的记忆，无法准确模拟对流等具有内在持续性的过程。
- 本文提出通过学习预后变量来增强参数化，利用自编码器压缩过去信息，并用符号方程替代自编码器以引入额外记忆变量。
- 在Lorenz-96模型和高分辨率降水数据的实验中，提出的方法在气候统计和时间结构上显著优于无记忆的诊断参数化方法。
📝 摘要（中文）
混合AI-物理气候建模旨在通过学习从高保真数据中参数化子网格过程来改善粗分辨率（约100公里）的地球系统模型。然而，现有方法主要依赖于局部时间的诊断参数化，无法有效捕捉具有内在持续性的对流过程。为此，本文提出了一种通过学习预后变量来增强局部时间参数化的方法，压缩过去信息并引入额外的记忆变量。通过在Lorenz-96模型和高分辨率大气模拟的降水数据上进行评估，结果表明该方法在气候统计和时间结构上均有显著改善，尤其是在热带陆地降水的日变化周期上。
🔬 方法详解
问题定义：本文旨在解决现有气候模型在对流等过程中的局部时间参数化缺乏记忆的问题，导致模型无法有效捕捉这些过程的动态特性。
核心思路：通过学习预后变量，压缩过去的信息并引入额外的记忆变量，以增强参数化模型的表现，特别是在时间序列的连续性上。
技术框架：整体方法包括两个主要阶段：首先使用自编码器将过去信息压缩到低维潜在空间；然后用符号方程替代自编码器，生成可与大气状态一起集成的记忆变量。
关键创新：最重要的创新在于通过符号方程引入的预后记忆变量，这与传统的仅依赖当前状态的诊断参数化方法形成了鲜明对比，显著提升了模型的表现。
关键设计：在模型设计中，采用了多变量线性常微分方程来恢复自编码器方法所带来的附加价值，并在损失函数中考虑了时间演变的连续性，以确保模型的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于记忆的参数化方法在气候统计和时间结构上均有显著提升。与无记忆的诊断参数化相比，该方法在热带陆地降水的日变化周期上表现出更为真实的模拟效果，提升幅度显著。
🎯 应用场景
该研究的潜在应用领域包括气候预测、天气模拟及环境监测等。通过改进气候模型的参数化能力，可以更准确地模拟和预测气候变化对生态系统和人类活动的影响，具有重要的实际价值和社会意义。
📄 摘要（原文）
Hybrid AI-physics climate modeling aims to improve coarse (~100km-resolution) Earth system models by learning to parameterize subgrid processes from high-fidelity data. However, this so far mostly involves local-in-time, diagnostic parameterizations, in which the subgrid state depends only on the current coarse state with no memory of previous states, which is unrealistic for processes such as convection that have intrinsic persistence. To address this, we enhance local-in-time parameterizations by learning prognostic variables that compactly carry important, additional past information where no explicit sub-grid information is available. First we compress past information into a low-dimensional latent space using an autoencoder, which then informs a neural network trained to parameterize targeted subgrid-scale processes. We then replace the autoencoder with symbolic equations that govern the time evolution of the latent variables, yielding additional prognostic memory variables that can be integrated alongside the resolved atmospheric state. We evaluate this approach on two systems: the Lorenz-96 model (online) and surface precipitation from high-resolution atmospheric simulations (offline). A forced multivariate linear ordinary differential equation recovers most of the added value achieved by the autoencoder-based approach in both experiments. Benchmarked against diagnostic parameterizations without memory, our memory-informed approach improves climate statistics and temporal structure, including a realistic diurnal cycle of tropical land precipitation.