两种方法被提出在物理模型神经网络仿真中使用以保持线性守恒定律有助于更好地推广到其训练数据之外的条件，例如全球变暖。

Jun, 2019

本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

Apr, 2023

ClimSim是迄今为止最大的融合混合ML和气候物理学的数据集，由一组气候科学家和ML研究人员开发，其设计思想是为了使结果仿真器与下游耦合到运行气候仿真器兼容。

Jun, 2023

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

混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。

Sep, 2023

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

该研究论文讨论了基于深度学习模型的区域气候模拟器的可迁移性问题，发现该方法能够模拟区域气候模型的某些气候特征，但在不同全球气候模型间存在一定偏差，限制了其在建立区域气候预测集合方面的适用性。

Nov, 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

本研究解决了现有地球系统模型在分析极端天气事件时的计算限制问题。提出了一种利用扩散模型将模型输出从月度精度降至日度精度的创新方法，能够在计算资源较少的情况下高效模拟气候条件。研究表明，DiffESM模型在捕捉极端现象的时空特征方面与地球系统模型输出高度一致，具有重要的应用潜力。

Sep, 2024