NeuralGCM：混合机器学习与物理的大气环流模型新

NeuralGCM 由 Google DeepMind 于 2024 年提出并发表于 Nature，是一种混合大气环流模型。它用一个神经网络来参数化次网格物理过程，同时保留传统、可微分的动力核。由于把已被充分理解的动力过程留在稳定的数值求解器上、只让网络学习不确定性最大的参数化部分，模型既保持了物理一致性，又获得了数据驱动的精度。

项目以 Python 库形式发布（github.com/neuralgcm/neuralgcm）。许可分层：代码 Apache-2.0，训练好的模型权重以 CC-BY-SA-4.0 发布。

对物理 AI 的意义在于，NeuralGCM 给出了一个务实的落地路径——增强而非取代经典数值天气预报：用学习部件补全物理模型，在大幅降低计算成本的同时保持有竞争力的技巧，并证明了混合模型在气候尺度的长期积分中也能保持稳定。这与纯数据驱动的端到端天气模型（如 Pangu-Weather、FourCastNet、GenCast）形成互补。