万拓:递归细化突破地球系统AI的分辨率壁垒

发布日期:2026-11-16 来源: 字体:[ 大 中 小 ]

    提高时空分辨率是地球系统模拟与天气预报的重要发展方向。水平格距减半,格点数约增至四倍;从0.7°到0.07°,格点数约增加100倍,端到端训练的计算与存储开销随之上升。长期以来,把全球模式推进到公里级主要依靠超级计算机,机时成本高、难以业务化运行;数据驱动的大模型推理快,但提升时空分辨率仍受到训练成本制约;而对已有模型重新训练以提升分辨率,则意味着此前的训练投入基本清零。分辨率壁垒的实质是现有训练范式难以承受高分辨率带来的代价。

    为此,中国科学院青藏高原研究所高寒生态系统功能与全球变化团队田向军研究员联合多家单位,提出递归增量训练框架One2N(中文名“万拓”),将高分辨率模式的构建分解为“冻结父模型+逐级残差校正”:第0级为冻结的基线模型,第i级预报器由上一级预报器与该级特有的增量算子构成;训练时父模型参数冻结、梯度不穿过父模型,仅优化新增的残差模块。

    由于梯度不回溯至父模型,训练时无需为其保留用于反向传播的内部激活和参数梯度,也无需维护其优化器状态,从而避免这部分训练存储开销;父子模型仅通过状态接口交互,父模型不必可微,既可以是数值模式,也可以是数据驱动模式或二者的混合。框架的“起点”有两种:一是将现有预报系统原样复用为父模型;二是在最粗分辨率上训练一个基线模型—后者因网格较粗,通常具有较低的训练开销。

    团队以NeuralGCM-0.7°为基线,在单块80GB显存的GPU上训练约四周,得到全球0.07°、每2小时更新一次的两级预报系统One2N-0.07°。以HRES-0.07°分析资料为检验参考,结果表明,该系统在代表性对流层诊断量上保持了与父模型相当的预报技巧;相较父模型,在1—7hPa的平流层上层,位势的均方根误差在12—240小时的平均相对降幅为91.10%—92.12%,1hPa温度相应降幅59.14%,改进自12小时持续至240小时。与0.25°数据驱动预报模型Pangu-Weather相比,在5个变量、13个共有气压层、20个非零时效共1300个检验目标中,有1215个(93.46%)目标的均方根误差更低。在2023年84个热带气旋的评估中,相较Pangu-Weather,168小时路径预报中位误差由1024.8公里降至339.4公里。

    研究进一步指出,“粗”并非AI气象模型的固有属性,训练成本是制约其进一步细化的重要因素:在端到端训练框架下,提高时空分辨率、增加预报要素通常会增加训练负担。地球系统自由度极高,要更精细地刻画对流、地形与边界层过程,通常需要更细的网格。One2N的意义因此不限于天气分量:地球系统模式由大气、海洋、陆面、冰冻圈、大气化学与碳循环等分量构成,若各分量都能“冻结已有部分、只学新增部分”,模式即可由若干可独立演进的分量通过状态接口拼接而成,单一分量的改进不必牵动整体重建;同样思路亦可延伸至增加变量与细化过程。

    需要指出的是,该框架目前仅完成一个细化层级、一个父模型的中期确定性预报验证,多级递归的误差累积、成本随递归深度的变化尚待实验检验;格点均方根误差在特征位相偏移时存在“双重惩罚”,需辅以路径类指标。团队表示,下一步将面向青藏高原等目标区域,研制“公里—分钟级”物理AI气象模拟器,与自主发展的NLS-4DVar同化系统配合,兼顾AI的轻量化部署与物理约束的精准性。

 图 One2N的递归增量训练框架

相关研究论文题为“One2N:Recursive refinement breaks the resolution barrier for Earth-system AI”,由中国科学院青藏高原研究所、北京信息科技大学、北京大学、中国科学院大气物理研究所、国防科技大学、齐鲁工业大学(山东省科学院)等单位共同完成。中国科学院青藏高原研究所博士生谈艳艳为论文第一作者,田向军研究员为共同第一作者和共同通讯作者。研究得到国家自然科学基金项目(42635011)和国家重点研发计划(2024YFF0809104)资助,并获地球系统数值模拟装置技术支持。

论文链接:https://arxiv.org/abs/2611.12249