使用机器学习模型作为仿真器来进行气候预测是当前研究中的一个主要领域，可以帮助决策者做出明智决策。本研究侧重于评估使用非线性回归模型进行气候仿真的能力，并比较了三种非线性回归模型的效果。高斯过程回归模型在气候仿真研究中展现了卓越的性能，但在计算资源方面存在一些问题。另外，支持向量和核岭模型也取得了竞争性的结果，但需要解决一些权衡问题。此外，正在积极研究复合核和变分推断等技术，以进一步提高回归模型的性能，有效地模拟包括降水在内的复杂非线性模式。

Aug, 2023

通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

Nov, 2023

应用因果表示学习中的单亲解码方法（CDSD）对多个气候数据集进行评估，重点关注排放、温度和降水，揭示使用 CDSD 作为更可解释和稳健的气候模型的跳板的挑战、限制和前景。

Dec, 2023

借助生成式深度学习方法，将地球系统模型（ESMs）进行仿真以获得逼真的气候样本，具有与 ESMs 相似的气候指标，适用于通过生成未来气候预测。

Apr, 2024

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

Aug, 2022

多重保真度方法通过整合不同准确度和丰富度的数据集，结合了基于物理的参数化和基于机器学习的参数化，使得在训练数据范围外进行外推成为可能，且能够提供更高准确性的气候预测模拟，而不需要大量计算资源增加。

Sep, 2023

本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

Feb, 2023

神经网络模拟器在气候和天气预测任务中已成为一种非常有价值的工具，但其无法保证提供公正的预测结果，因此需要在神经网络中采用明确的公平性表示方法。本研究提出一种自定义损失函数，通过惩罚具有不同质量预测结果的模拟器，在人类发展指数 (HDI) 等区域或类别上捕捉不平等，从而实现更加公正的气候模型模拟预测。实验结果表明，使用这种损失函数训练的神经气候模拟器提供更加公正的预测结果，平衡性度量随着权重增加而改善。在训练过程中，公平性和准确性之间存在权衡，但通过适当选择公平性优先超参数，可以最小化性能损失。

Jun, 2024

现有的基于机器学习的大气模型不适用于气候预测，我们提出了 ACE（AI2 Climate Emulator），一个 200M 参数的自回归机器学习模拟器，用于现有的包含 100km 分辨率全球大气模型。ACE 的构建允许评估质量和水分守恒等物理规律。该模拟器在 10 年内保持稳定，几乎在没有明确限制的情况下保持了纵向水分的守恒，并忠实地再现了参考模型的气候，相对于一个具有挑战性的基准模型，在超过 80% 的跟踪变量上表现更佳。ACE 所需的墙钟时间几乎比参考模型少 100 倍，并且使用常见资源效率更高 100 倍。

Oct, 2023