🔢 mathematics

Data driven non-equilibrium moist phase exchanges for atmospheric convection within a discontinuous Galerkin model of the compressible Euler equations

यह शोध पत्र एक ऊष्मागतिक रूप से सुसंगत (thermodynamically consistent) न्यूरल नेटवर्क प्रस्तुत करता है जिसे एक डिस्कंटीन्यूअस गैलरकिन वायुमंडलीय मॉडल के भीतर गैर-संतुलन आर्द्र चरण परिवर्तनों (non-equilibrium moist phase exchanges) को मॉडल करने के लिए उच्च-रिज़ॉल्यूशन संवहन डेटा पर प्रशिक्षित किया गया है, जो पारंपरिक संतुलन-आधारित भौतिकी की तुलना में उप-किमी रिज़ॉल्यूशन वाले तीन-चरण क्लाउड निर्माण का अनुकरण करने की इसकी क्षमता को प्रदर्शित करता है।

मूल लेखक: David Lee, Kieran Ricardo, Junwei Lyu

प्रकाशित 2026-07-16

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: David Lee, Kieran Ricardo, Junwei Lyu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि वायुमंडल एक विशाल, उबलती हुई रसोई है जहाँ अदृश्य शेफ लगातार मौसम पका रहे हैं। इस रसोई में, पानी सिर्फ पानी नहीं है; यह एक रूप बदलने वाला (shape-shifter) है जो गैस (वाष्प), तरल (बारिश या बादल की बूंदें), या ठोस (बर्फ) हो सकता है। ये परिवर्तन ही गरज के साथ तूफान, चक्रवात और यहाँ तक कि मंगलवार की हल्की बारिश के पीछे का गुप्त मसाला हैं। लेकिन पेचीदा हिस्सा यह है कि पानी एक रूप से दूसरे रूप में कब और कितनी तेजी से बदलेगा, इसका सटीक अनुमान लगाना बेहद कठिन है। पारंपरिक मौसम मॉडल इसे हल करने के लिए जटिल गणितीय समीकरणों का उपयोग करते हैं जो एक धीमी, सूक्ष्म रेसिपी की तरह काम करते हैं, जो खाना पकाने की प्रक्रिया के हर छोटे कदम की गणना करते हैं। सटीक होने के बावजूद, ये रेसिपी इतनी भारी होती हैं कि वे कल के मौसम की भविष्यवाणी करने वाले सुपरकंप्यूटरों को धीमा कर सकती हैं। वैज्ञानिक हमेशा इन "फेज परिवर्तनों" (phase changes) को भौतिकी के स्वाद खोए बिना संभालने के लिए एक तेज़ और स्मार्ट तरीके की तलाश में रहते हैं।

यहीं पर एक नया दृष्टिकोण आता है, जो एक पाक-कला प्रशिक्षु (culinary apprentice) की तरह काम करता है जिसने हजारों कुकिंग वीडियो देखे हैं और अगले कदम का तुरंत अनुमान लगाना सीख लिया है। डेविड ली और उनकी टीम (ब्यूरो ऑफ मेटियोरोलॉजी और ऑस्ट्रेलियन नेशनल यूनिवर्सिटी) द्वारा किया गया एक हालिया अध्ययन एक प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने की खोज करता है जिसे 'न्यूरल नेटवर्क' कहा जाता है, ताकि पानी के इन परिवर्तनों को सीखा जा सके। भारी गणितीय समीकरणों को हर बार हल करने के बजाय, AI हवा की वर्तमान स्थिति (तापमान, घनत्व और हवा में कितना पानी है) को देखता है और तुरंत भविष्यवाणी करता है कि कितना पानी बारिश या बर्फ में बदल जाना चाहिए। शोधकर्ताओं ने इस AI को एक उच्च-रिज़ॉल्यूशन वाले मौसम मॉडल के डेटा पर प्रशिक्षित किया जो एक उष्णकटिबंधीय तूफान का अनुकरण (simulate) करता है, जिससे इसे ऊष्मागतिकी (thermodynamics) के नियमों—ऊष्मा और ऊर्जा के नियमों—को सीखने में मदद मिली, ताकि यह केवल अनुमान न लगाए, बल्कि इस तरह से अनुमान लगाए कि ब्रह्मांड के ऊर्जा संतुलन का सम्मान बना रहे। परिणाम स्वरूप, एक ऐसी प्रणाली प्राप्त हुई जो पारंपरिक तरीकों की तुलना में बादलों और तूफानों के निर्माण का अनुकरण बहुत तेज़ी से करती है, जबकि यह सुनिश्चित करती है कि सिस्टम की ऊर्जा पूरी तरह संतुलित रहे, जिससे सिमुलेशन भौतिकी के नियमों को "तोड़" न सके।

तूफान की रेसिपी

शोधकर्ताओं ने जो किया उसे समझने के लिए, हमें पहले उस समस्या को देखना होगा जिसे वे हल करने की कोशिश कर रहे हैं। वास्तविक दुनिया में, जब हवा का एक गर्म बुलबुला ऊपर उठता है, तो वह ठंडा हो जाता है। जैसे-जैसे यह ठंडा होता है, इसके भीतर मौजूद जल वाष्प तरल पानी या बर्फ में बदलना चाहता है। यह प्रक्रिया ऊष्मा (heat) छोड़ती है, जो हवा के बुलबुले को और भी तेज़ी से ऊपर उठने में मदद करती है, जिससे एक शक्तिशाली अपड्राफ्ट (updraft) बनता है। यही गरज के साथ आने वाले तूफान का इंजन है।

पारंपरिक मौसम मॉडलों में, यह पता लगाना कि वास्तव में कितना वाष्प तरल में बदलेगा और कितना बर्फ में बदलेगा, एक सिरदर्द है। मॉडलों को हर एक क्षण में एक जटिल पहेली को हल करना पड़ता है ताकि यह सुनिश्चित हो सके कि सभी जल चरणों (water phases) के लिए तापमान और दबाव समान है (एक अवस्था जिसे 'ऊष्मागतिक साम्यावस्था' या thermodynamic equilibrium कहा जाता है)। यह मौसम के मानचित्र के हर पिक्सेल के लिए, बार-बार, हजारों छोटे वजन के साथ एक तराजू को संतुलित करने की कोशिश करने जैसा है। यह सटीक तो है, लेकिन यह कंप्यूटरों के लिए चलाने में अविश्वसनीय रूप से धीमा और महंगा भी है, खासकर जब उप-किलोमीटर स्तर पर तूफानों की भविष्यवाणी करने की कोशिश की जा रही हो जहाँ हर छोटा बादल मायने रखता है।

लेखकों ने एक अलग सवाल पूछा: क्या होगा यदि हम कंप्यूटर को इन परिवर्तनों के पैटर्न को पहचानने के लिए सिखा सकें, बिना हर बार भारी गणितीय पहेली को हल किए? उन्होंने एक न्यूरल नेटवर्क—एक डिजिटल मस्तिष्क—को प्रशिक्षित करने का निर्णय लिया ताकि वह वाष्प, तरल और बर्फ के बीच "द्रव्यमान विनिमय" (mass exchanges) को सीख सके। न्यूरल नेटवर्क को एक ऐसे छात्र के रूप में सोचें जिसने एक मास्टर शेफ (LFRic मॉडल, एक परिष्कृत मौसम सिम्युलेटर) को छह घंटे तक खाना बनाते हुए देखा है। छात्र ने केवल रेसिपी को रटा नहीं; उसने खाना पकाने के 'अहसास' को सीखा। उसने सीखा कि जब हवा ठंडी और घनी होती है, तो वाष्प की एक निश्चित मात्रा तरल में बदल जानी चाहिए, और थोड़ा अधिक बर्फ में बदल सकता है, और यह सब करते समय रसोई की कुल ऊर्जा स्थिर रहनी चाहिए।

प्रशिक्षण और परीक्षण

शोधकर्ताओं ने एक उष्णकटिबंधीय तूफान के सिमुलेशन का उपयोग करके अपने AI को प्रशिक्षित किया जो डार्विन, ऑस्ट्रेलिया के ऊपर था। उन्होंने न्यूरल नेटवर्क को तापमान, घनत्व और विभिन्न रूपों में पानी की मात्रा का डेटा दिया, और उससे यह भविष्यवाणी करने को कहा कि पानी किस दर से एक रूप से दूसरे रूप में बदलता है। यह सुनिश्चित करने के लिए कि AI केवल मनगढ़ंत बातें न करे, उन्होंने प्रशिक्षण में एक विशेष "लॉस फंक्शन" (loss function) बनाया। यह एक सख्त शिक्षक की तरह है जो छात्र के होमवर्क को ग्रेड दे रहा है। शिक्षक दो चीजें जाँचता है: पहला, क्या पानी के द्रव्यमान के लिए गणित सही है (क्या हमने जादुई रूप से कुछ पानी खो दिया?); और दूसरा, क्या ऊर्जा संतुलित है?

यहाँ मुख्य नवाचार यह है कि AI को "ऊष्मागतिक रूप से सुसंगत" (thermodynamically consistent) होने के लिए डिज़ाइन किया गया है। इसका अर्थ है कि भले ही AI एक तेज़ अनुमान लगा रहा हो, उसे इस नियम का पालन करने के लिए मजबूर किया जाता है कि ऊर्जा को न तो बनाया जा सकता है और न ही नष्ट किया जा सकता है। यदि AI भविष्यवाणी करता है कि वाष्प बर्फ में बदल रहा है, तो उसे यह भी गणना करनी होगी कि ऊर्जा संतुलन बनाए रखने के लिए कितनी ऊष्मा निकलती है और एंट्रॉपी (व्यवस्था या "अव्यवस्था" का माप) में कितना परिवर्तन होता है। शोधकर्ताओं ने पाया कि वे नेटवर्क को अविश्वसनीय सटीकता के स्तर तक प्रशिक्षित कर सकते हैं, जहाँ इसकी भविष्यवाणियों में त्रुटि लगभग शून्य (लगभग $6.5 \times 10^{-13}$ ) है। यह छोटी सी संख्या दर्शाती है कि AI ने भौतिकी को लगभग पूरी तरह से सीख लिया है।

बबल एक्सपेरिमेंट (बुलबुला प्रयोग)

यह देखने के लिए कि क्या यह नया AI-संचालित तरीका वास्तव में एक वास्तविक मौसम सिमुलेशन में काम करता है, टीम ने एक परीक्षण मामला तैयार किया। उन्होंने एक "नम बुलबुला" (moist bubble) बनाया—एक ठंडी वायुमंडल के माध्यम से ऊपर उठती गर्म, नम हवा की एक सिम्युलेटेड जेब। उन्होंने इस सिमुलेशन को दो बार चलाया: एक बार अपने नए AI पद्धति का उपयोग करके (जो यह मानती है कि जल चरण तुरंत पूर्ण संतुलन में नहीं हैं, जिसे 'रासायनिक असंतुलन' की अवस्था कहा जाता है) और एक बार पारंपरिक, धीमी पद्धति का उपयोग करके जो सब कुछ पूर्ण संतुलन में लाने के लिए मजबूर करती है।

परिणाम दिलचस्प थे। AI पद्धति के साथ सिम्युलेटेड बुलबुला उसी तरह से ऊपर उठा और विकसित हुआ जैसा कि पिछले, प्रसिद्ध परीक्षण मामलों में देखा गया था। इसने बुलबुले के किनारों पर वाष्प से तरल में और केंद्र में बर्फ में निरंतर रूपांतरण दिखाया। हालाँकि, पारंपरिक "साम्यावस्था" (equilibrium) पद्धति के साथ सिम्युलेट किया गया बुलबुला बहुत तेज़ी से ऊपर उठा। क्यों? क्योंकि पारंपरिक पद्धति मानती है कि जैसे ही पानी जमता है, वह तुरंत बर्फ बन जाता है, जिससे ऊष्मा का एक बड़ा विस्फोट होता है। AI पद्धति, जो वास्तविक दुनिया की "गैर-साम्यावस्था" (non-equilibrium) प्रकृति का सम्मान करती है, ने अधिक क्रमिक और यथार्थवादी संक्रमण दिखाया। पानी तुरंत बर्फ में नहीं बदला; इसने अपना समय लिया, और ऊष्मा को धीरे-धीरे छोड़ा।

महत्वपूर्ण रूप से, शोधकर्ताओं ने ऊर्जा संतुलन की जाँच की। AI सिमुलेशन में, सिस्टम की कुल ऊर्जा पूरी तरह से संरक्षित रही, जिसमें त्रुटियाँ इतनी कम थीं कि वे लगभग नगण्य थीं (क्रम $10^{-15}$ के स्तर पर)। यह साबित करता है कि AI केवल एक तेज़ अनुमान नहीं है; यह एक तेज़, सटीक और भौतिक रूप से ईमानदार अनुमान है। इसके विपरीत, पारंपरिक साम्यावस्था पद्धति, अपनी गति के बावजूद, इस विशिष्ट परीक्षण में ऊष्मागतिकी के दूसरे नियम का उल्लंघन करती थी, जो एंट्रॉपी में कमी (अव्यवस्था में कमी) दिखा रही थी, जबकि इसे बढ़ना चाहिए था, जो एक अलग प्रणाली (isolated system) में भौतिक रूप से असंभव है।

इसका क्या अर्थ है

यह अध्ययन बताता है कि बादलों की जटिल रसायन विज्ञान को संभालने के लिए न्यूरल नेटवर्क का उपयोग करना मौसम के पूर्वानुमान के लिए गेम-चेंजर हो सकता है। उच्च-रिज़ॉल्यूशन डेटा से चरण परिवर्तनों के पैटर्न को सीखकर, AI भारी कम्प्यूटेशनल लागत के बिना बहुत सूक्ष्म स्तर पर तूफानों का अनुकरण कर सकता है। शोधकर्ताओं ने पाया कि यह पद्धति भौतिकी के नियमों का सम्मान करती है, ऊर्जा को संतुलित रखती है, और ऐसे परिणाम देती है जो "तत्काल संतुलन" की धारणा वाले वर्तमान मॉडलों की तुलना में अधिक यथार्थवादी हैं।

हालाँकि यह अभी एक सिमुलेशन है और पूर्ण-स्तरीय मौसम पूर्वानुमान नहीं है, फिर भी परिणाम आशाजनक हैं। लेखक सुझाव देते हैं कि भविष्य में, यह न्यूरल नेटवर्क वास्तविक दुनिया के मौसम मॉडलों में भारी माइक्रोफिजिक्स गणनाओं की जगह ले सकता है। इससे कंप्यूटर तेज़ी से चल सकेंगे, जिससे हमें गंभीर मौसम की अधिक सटीक और विस्तृत भविष्यवाणियाँ मिल सकती हैं। यह अध्ययन एक आगे का रास्ता भी दिखाता है: यह सुनिश्चित करना कि ये AI मॉडल हमेशा ऊष्मागतिकी के दूसरे नियम का सम्मान करें, भले ही उन्हें ऐसे डेटा पर प्रशिक्षित किया गया हो जिसमें अन्य कारक जैसे बाउंड्री कंडीशंस शामिल हों। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ हमारे मौसम मॉडल न केवल तेज़ होंगे, बल्कि अधिक स्मार्ट और वायुमंडल की अराजक, सुंदर वास्तविकता के साथ अधिक तालमेल बिठाने वाले होंगे।

तकनीकी सारांश: डेटा-संचालित गैर-संतुलन आर्द्र चरण विनिमय (Data-Driven Non-Equilibrium Moist Phase Exchanges)

समस्या विवरण
संवहन-समाधान (convection-resolving) वायुमंडलीय मॉडलों को वाष्प, तरल और बर्फ के बीच चरण विनिमय से जुड़ी सूक्ष्म भौतिक प्रक्रियाओं के लिए उप-ग्रिड पैरामीटराइजेशन की आवश्यकता होती है। परिष्कृत मल्टी-मोमेंट पैरामीटराइजेशन (जैसे CASIM) गणनात्मक रूप से महंगे होते हैं क्योंकि उनके लिए प्रत्येक नमी प्रजाति के द्रव्यमान और संख्या अंशों (mass and number fractions) के अधिवैषण (advection) की आवश्यकता होती है। इसके अतिरिक्त, पारंपरिक कार्यान्वयन अक्सर यांत्रिक और तापीय संतुलन (सभी चरणों के लिए एकल तापमान और दबाव) मानते हैं, जबकि रासायनिक असंतुलन (chemical disequilibrium) की अनुमति देते हैं। लेखक इन योजनाओं की गणनात्मक लागत और युग्मित ऊष्मागतिक प्रणालियों को हल करने की जटिलता को संबोधित करने का प्रयास करते हैं, जिससे डेटा से सीधे द्रव्यमान विनिमय को सीखा जा सके, जबकि यह सुनिश्चित किया जा सके कि परिणामी मॉडल ऊष्मागतिक रूप से सुसंगत और ऊर्जा-संरक्षण करने वाला बना रहे।

कार्यप्रणाली
यह अध्ययन डेटा-संचालित मशीन लर्निंग और एक ऊष्मागतिक रूप से सुसंगत संख्यात्मक ढांचे के संयोजन वाले हाइब्रिड दृष्टिकोण का उपयोग करता है:

डेटा जनरेशन और प्रशिक्षण:
- एक न्यूरल नेटवर्क को CASIM मल्टी-मोमेंट माइक्रोफिजिक्स पैरामीटराइजेशन के साथ LFRic मॉडल के एक क्षेत्रीय विन्यास से प्राप्त आउटपुट पर प्रशिक्षित किया गया है। डेटासेट डार्विन, ऑस्ट्रेलिया पर 1.5 किमी रिज़ॉल्यूशन पर तीव्र उष्णकटिबंधीय संवहन के 6 घंटे की अवधि को कवर करता है।
- नेटवर्क आर्किटेक्चर एक फीड-फॉरवर्ड नेटवर्क ( $R^5 \to R^{10} \to R^{60} \to R^{60} \to R^{60} \to R^{12} \to R^3$ ) है जो लीकी ReLU एक्टिवेशन का उपयोग करता है।
- इनपुट: प्रोग्नोस्टिक वेरिएबल्स से प्राप्त ऊष्मागतिक अवस्था चर (thermodynamic state variables): घनत्व ( $\rho$ ), एंट्रॉपी ( $\eta$ ), और वाष्प ( $q_v$ ), तरल ( $q_l$ ), और बर्फ ( $q_i$ ) के द्रव्यमान अंश।
- आउटपुट: भारित चरण विनिमय दरें ( $\tilde{B}, \tilde{C}, \tilde{D}$ ) जो वाष्प-से-तरल, वाष्प-से-बर्फ, और तरल-से-बर्फ विनिमय का प्रतिनिधित्व करती हैं।
- लॉस फंक्शन (Loss Function): नेटवर्क द्रव्यमान अंशों के परिवहन समीकरणों के अवशेष (residual) को कम करता है। रासायनिक क्षमता (chemical potential) और द्रव्यमान अंशों के बीच परिमाण के बड़े अंतर को संभालने के लिए, ट्रांसफर टर्म्स को स्केल किया गया है। लॉस फंक्शन नियंत्रित समीकरणों द्वारा निर्धारित द्रव्यमान अंशों के संरक्षण को लागू करता है।
ऊष्मागतिक रूप से सुसंगत सूत्रीकरण:
- न्यूरल नेटवर्क को एक 2D वर्टिकल स्लाइस डिस्कंटीन्यूअस गैलरकिन (DG) मॉडल के भीतर एम्बेड किया गया है, जो आर्द्र, गैर-हाइड्रोस्टेटिक कंप्रेसिबल यूलर समीकरणों पर आधारित है।
- प्रणाली यांत्रिक और तापीय संतुलन (एकल $T$ और $p$ ) मानती है लेकिन रासायनिक असंतुलन (विभिन्न गिब्स मुक्त ऊर्जा) की अनुमति देती है।
- ऊर्जा संरक्षण: यह सूत्र एक हैमिल्टनियन संरचना का उपयोग करता है जहाँ समय का विकास स्केव-सिमेट्रिक (गतिक) और सिमेट्रिक (ऊष्मागतिक) ऑपरेटरों द्वारा संचालित होता है। एंट्रॉपी ( $A$ ) में परिवर्तन (चरण विनिमय के कारण) सीधे नहीं सीखा जाता है, बल्कि नेटवर्क के द्रव्य मास एक्सचेंज आउटपुट से विश्लेषणात्मक रूप से व्युत्पन्न किया जाता है ताकि सटीक ऊर्जा संरक्षण सुनिश्चित हो सके:
  $A = -\frac{1}{T^2} \left( (\mu_v - \mu_l)^2 B + (\mu_v - \mu_i)^2 C + (\mu_l - \mu_i)^2 D \right)$
- DG स्थानिक विविक्तकरण (spatial discretization) तीसरे क्रम के बहुपदों और गॉस-लोबटो-लेगेंड्रे क्वाड्रचर का उपयोग करता है। अधिवैषण (advection) पदों को इस तरह तैयार किया गया है कि वे प्रमाणतः ट्रेस वेरियंस को कम या संरक्षित करते हैं, जिससे स्थिरता बढ़ती है।

प्रमुख योगदान

डेटा-संचालित माइक्रोफिजिक्स: यह पेपर प्रदर्शित करता है कि कैसे उच्च-रिज़ॉल्यूशन मॉडल आउटपुट से सीधे वाष्प, तरल और बर्फ के बीच गैर-संतुलन चरण विनिमय को सीखा जा सकता है, जिससे कण संख्या मोमेंट्स (particle number moments) के स्पष्ट अधिवैषण की आवश्यकता समाप्त हो जाती है।
ऊष्मागतिक सुसंगतता: एक कंप्रेसिबल यूलर सॉल्वर में न्यूरल नेटवर्क का एक अभिनव एकीकरण, जहाँ नेटवर्क द्रव्यमान विनिमय की भविष्यवाणी करता है, और संबद्ध एंट्रॉपी परिवर्तन को ऊर्जा को सख्ती से संरक्षित करने के लिए 'ए पोस्टेरियो' (a posteriori) व्युत्पन्न किया जाता है। यह हर टाइम स्टेप पर गिब्स मुक्त ऊर्जा को मिलाने के लिए पुनरावृत्ति न्यूटन समस्याओं की आवश्यकता को समाप्त करता है।
गैर-संतुलन गतिशीलता: दृष्टिकोण स्पष्ट रूप से रासायनिक असंतुलन को मॉडल करता है, जिससे पारंपरिक योजनाओं में सामान्य तात्कालिक संतुलन धारणाओं के बिना विशिष्ट चरण व्यवहारों को मॉडल करना संभव होता है।

परिणाम
लेखकों ने एक मानक मॉइस्ट बबल टेस्ट केस का उपयोग करके मॉडल का परीक्षण किया और अपने गैर-संतुलन न्यूरल नेटवर्क परिणामों की तुलना एक भौतिक-आधारित संतुलन सॉल्वर से की:

बबल का विकास: एक संतुलन बुलबुले की तुलना में गैर-संतुलन बुलबुला अधिक धीरे-धीरे ऊपर उठा। संतुलन विन्यास में तेज़ लेटेंट हीट रिलीज और तरल एवं बर्फ चरणों के बीच एक तीव्र ग्रेडिएंट देखा गया, क्योंकि एक तार्किक स्थिति (logical condition) सभी सब-फ्रीजिंग पानी को बर्फ में बदलने के लिए मजबूर करती है।
चरण रूपांतरण: गैर-संतुलन मामले में, बुलबुले के केंद्रीय द्रव्यमान का लगभग एक-चौथाई बर्फ में परिवर्तित हुआ, जबकि किनारों पर स्थिर वाष्प-से-तरल रूपांतरण देखा गया। संतुलन मामले में वाष्प से तरल और बर्फ में कुल रूपांतरण अधिक था।
ऊष्मागतिक नियम: गैर-संतुलन सिमुलेशन ने दूसरे नियम का सम्मान किया, जिसने डायाबेटिक फोर्सिंग की अनुपस्थिति में सकारात्मक एंट्रॉपी परिवर्तन दिखाया। इसके विपरीत, संतुलन सिमुलेशन ने अधिकांश अवधि के लिए नकारात्मक एंट्रॉपी परिवर्तन दिखाया, जो दूसरे नियम का उल्लंघन करता है।
ऊर्जा संरक्षण: चरण विनिमय से जुड़े पावर टर्म्स का योग $10^{-8}$ W के क्रम में था, जो व्यक्तिगत एक्सचेंज पावर्स की तुलना में $10^{-15}$ गुना छोटा है, जो दर्शाता है कि ऊर्जा संतुलन मशीन प्रिसिजन (machine precision) तक है। वैश्विक ऊर्जा संरक्षण त्रुटि तीसरे क्रम के टाइम इंटीग्रेटर की सटीकता के साथ अभिसरित (converged) हुई।

महत्व और दावे
पेपर का दावा है कि यह डेटा-संचालित दृष्टिकोण मौजूदा मल्टी-मोमेंट पैरामीटराइजेशन के लिए एक गणनात्मक रूप से कुशल विकल्प प्रदान करता है क्योंकि यह अतिरिक्त मोमेंट्स (जैसे कण संख्या) के अधिवैषण की आवश्यकता को समाप्त करता है। इसके अलावा, ऊष्मागतिक रूप से सुसंगत सूत्रीकरण यह सुनिश्चित करता है कि चरण विनिमय के दौरान ऊर्जा सटीक रूप से संरक्षित रहती है, जो मानक संतुलन सॉल्वरों में सुनिश्चित करना कठिन है। लेखक उल्लेख करते हैं कि हालांकि नेटवर्क को स्पष्ट रूप से दूसरे नियम को संतुष्ट करने के लिए प्रशिक्षित नहीं किया गया था, फिर भी परिणामी गैर-संतुलन विन्यास स्वाभाविक रूप से इसका पालन करता है, जो कि संतुलन बेंचमार्क के विपरीत है।

लेखक सुझाव देते हैं कि भविष्य के कार्य में, इस न्यूरल नेटवर्क को क्षेत्रीय संख्यात्मक मौसम पूर्वानुमान (NWP) मॉडलों में मूल माइक्रोफिजिक्स पैरामीटराइजेशन को प्रतिस्थापित किया जा सकता है। उनका मानना है कि यह दक्षता और स्थिरता में सुधार कर सकता है, विशेष रूप से यह सुनिश्चित करके कि गैर-संतुलन प्रक्रियाओं में ऊर्जा का संरक्षण हो। हालांकि, वे यह भी स्वीकार करते हैं कि प्रशिक्षण डेटा में मौजूद थर्मल सोर्स टर्म्स और लेटरल बाउंड्री फोर्सिंग्स की उपस्थिति में दूसरे नियम का हमेशा सम्मान सुनिश्चित करना एक चुनौती है, जो यह सुझाव देता है कि भविष्य के कार्यों के लिए ग्लोबल पेनल्टी टर्म्स या डेटा फिल्टरिंग की आवश्यकता हो सकती है।

तूफान की रेसिपी

प्रशिक्षण और परीक्षण

बबल एक्सपेरिमेंट (बुलबुला प्रयोग)

इसका क्या अर्थ है

इसी तरह के और पेपर