来源：地球物理研究杂志：机器学习和计算建模者已经证明，人工智能 (AI) 模型可以比基于物理的模型更高效地进行气候模拟。然而，许多人工智能模型都是根据过去的气候数据进行训练的，这使得它们很难预测气候可能如何应对未来的变化，例如温室气体浓度的进一步增加。通过将大气的人工智能模型（称为 Ai2 气候模拟器，或 ACE）与海洋的物理模型（称为板状海洋模型，或 SOM）相结合，生成他们称为 ACE2-SOM 的模型，在使用人工智能对复杂地球系统进行建模方面又迈出了一步。他们根据一系列气候条件下的 100 公里分辨率物理模型的输出来训练 ACE2-SOM。为了响应大气中二氧化碳的增加，与其目标模型一致，ACE2-SOM 预测了众所周知的响应，例如陆地上的表面温度比海洋上的表面温度上升更强烈，潮湿地区变得更加潮湿，干燥地区变得更加干燥。当研究人员将他们的结果与他们正在仿真的基于物理的模型的 400 公里分辨率版本的结果进行比较时，他们发现 ACE2-SOM 产生了更准确且更具成本效益的预测：ACE2-SOM 使用的功率减少了 25 倍，同时提供的分辨率提高了 4 倍。但是，当研究人员要求 ACE2-SOM 预测如果大气二氧化碳水平迅速上升（突然上升）会发生什么时，ACE2-SOM 就陷入了困境。 翻两番，例如）。虽然海洋表面温度需要适当的时间来调整，但在新的二氧化碳浓度下，大气几乎立即转变为平衡气候，尽管物理定律会要求较慢的响应。作者写道，为了与基于物理的模型充分竞争，人工智能气候模型需要能够更好地模拟异常情况。本研究使用的板片海洋模型也很嗨