传统的通用循环模型（GCMs）在天气预报和气候模拟方面发挥了重要作用，但在处理特殊状态的小尺度时存在局限性，例如，处理云、辐射和降水等未完全解析的物理过程时会使用半经验性参数化，会导致模型在匹配历史数据时的调参过程仍然依靠手动设置，且GCMs自身存在许多持续的错误和偏见。。
所以为了克服这些困难，谷歌提出了基于物理模拟的神经通用环流气象模型NeuralGCM，并已经开源提供给各大气象机构测试和使用。
相比传统气象模型，NeuralGCM在预测暴雨、台风、大干旱、热带气旋等突发恶劣天气方面非常出色，能够使用历史海表面温度数据准确跟踪数十年的气候指标。
开源地址：https://github.com/google-research/neuralgcm
动态核心相当于NeuralGCM模型的“心脏”，这是一个基于物理的数值求解器，负责解决大气的流体动力学和热力学方程。
动态核心采用伪谱方法进行水平离散化，结合垂直的sigma坐标系统，有效地捕捉大气中的波动和涡旋现象。能够处理包括风的涡度和散度、温度、地表压力以及水分形态等多种预报变量，为气象模型提供了坚实的物理基础。
NeuralGCM的物理模拟模块通过深度学习技术，特别是神经网络的应用，对那些传统GCMs难以捕捉的小尺度过程进行了有效的参数化。这些小尺度过程，包括云层的形成、辐射传输、降水等，对于天气模式的形成、预测至关重要。NeuralGCM通过单列方法，为每个大气柱提供定制化的预测，显著提高了模型对这些复杂现象的捕捉能力。
NeuralGCM的神经网络架构是其智能适应性能的关键。全连接的神经网络，配备残差连接，使得网络的输入可以直接影响输出，从而提升了模型的学习能力。
网络的输入参数包括预报变量、太阳辐射、海冰浓度和海表面温度等，而其输出则为预报变量的倾向性，这些倾向性进一步用于更新动态核心的状态。
为了确保NeuralGCM能够与现有的气象数据集无缝集成，研究人员开发了编码器和解码器。这些组件在压力坐标和sigma坐标系统之间架起了桥梁，使得模型可以准确地使用和预测数据。
编码器负责将观测数据转换为模型的初始条件，而解码器则在模型完成时间步进后，将预测结果转换回我们熟悉的压力水平。在预训练过程中，NeuralGCM采用了端到端的训练方法。通过将模型推进多个时间步，然后使用随机梯度下降来最小化模型预测与再分析之间的差异。
研究人员逐渐增加了滚动长度，从6小时到5天，这对于模型在多日预测的准确性和稳定性至关重要。此外，他们还训练了确定性和随机的NeuralGCM模型，每种模型都使用了独特的训练协议。
随机模型则还引入了内在的随机性，通过在神经网络组件中添加随机场，使用连续排名概率分数（CRPS）作为损失函数，以鼓励准确性和集合的多样性。
为了评估NeuralGCM的性能，研究人员进行了一系列的测试，包括均方根误差、均方根偏差、连续排名概率得分等。
从功率谱的角度来看，NeuralGCM - 0.7°的功率谱比其他机器学习预测方法更接近ERA5，但仍比ECMWF的物理预测模糊。随着分辨率的提高，NeuralGCM的谱变得更准确，这表明在更高分辨率下训练的模型有进一步改进的潜力。
在水预算方面，NeuralGCM中的平流由动力学核心处理，机器学习参数化模型模拟大气垂直列中的局部过程。NeuralGCM可以隔离局部源和汇，从而更便于诊断水预算。对于短天气预测，降水减去蒸发的平均值具有非常接近ERA5数据的现实空间分布。
在地理风平衡方面，与GraphCast相比，NeuralGCM更准确地描绘了中纬度地区驱动大规模动力学的主要力量之间的平衡，地理风的垂直结构和非地理风以及它们的比率。
