详细内容或原文请订阅后点击阅览
比较雨滴形成的机器学习模型
The simplest model, based on polynomials, yields the best performance.
来源:Eos杂志当微小的水颗粒碰撞并粘在一起时，云中就会形成雨滴，形成较大的水滴，最终落到地球上。这一过程很难准确建模，目前的方法要么不精确，要么计算量大。更好地模拟雨滴形成可以帮助改进气候和天气模型。
de Jong 等人提出并比较了使用机器学习技术创建的云内液滴合并的三种新模型：基于多项式的非线性动力学稀疏识别 (SINDy) 框架、神经网络驱动的时间导数和离散时间自回归神经网络。在这三种方法中，SINDy 框架（最简单的模型）表现最好，与其他两种方法相比，不确定性更少，对样本外数据的泛化更好。
作者说，关键的一点是，增加模型的灵活性或复杂性并不总是能带来更好的性能。
作者使用一种称为自动编码的机器学习技术来训练模型，使用来自大涡模拟的数据，该模拟结合了一种称为超级液滴方法 (SDM) 的方法。通过使用代表真实液滴集合的建模液滴，SDM 比传统方法更准确地近似云中颗粒的尺寸分布和相互作用。
作者警告说，需要进一步的工作来准备每个模型的通用性，包括在线测试和纳入其他过程，例如冷凝生长和蒸发以及混合相过程。他们补充说，未来的工作应侧重于将模拟与大气观测相结合，对模型施加现实的约束，并更好地调整它们以适应气候和天气建模的应用。 （地球物理研究杂志：机器学习与计算，https://doi.org/10.1029/2025JH001103，2026）
—Nathaniel Scharping (@nathanielscharp)，科学作家