GraphCast：数据驱动天气预报
GraphCast 在图神经网络上以自回归方式预报大气状态，网格采用二十面体划分，训练数据来自数十年再分析资料（ERA5）。
报告结果：在绝大多数检验变量与预报时效上优于业务确定性基线；10 天预报在单张加速器上 不到一分钟即可完成，而传统数值模式需超级计算机运行数小时。
工程启示：这是学习型代理模型能够补充、并在部分场景下超越第一性原理数值求解器的最有力证据， 且计算成本仅为其一小部分。
标签: 气象图神经网络预报数值模式大规模
相关条目
- GNoME：图网络驱动的无机材料发现 · Google DeepMind 的图神经网络材料发现系统，预测出 220 万个新晶体结构、其中 38 万个稳定结构，把人类已知稳定材料数量提升近一个数量级，并在
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- HydroGym：强化学习流体控制平台 · 面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。
- MACE-MP-0：原子尺度通用机器学习势 · 基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原
- TopoDiff：扩散模型驱动的拓扑优化 · MIT 提出的条件扩散模型拓扑优化方法，用代理模型引导生成过程同时兼顾力学性能与可制造性，在柔度误差与不可行样本比例上大幅优于同类 GAN 方法。