NORi: An ML-Augmented Ocean Boundary Layer Parameterization

NORi 是一种新颖的基于物理的机器学习参数化方案，它将神经常微分方程与依赖理查森数的闭合方案相结合，旨在气候模型中准确且稳定地模拟海洋边界层湍流与夹卷动力学，在超越传统方法的同时仅需极少的训练数据并确保长期数值稳定性。

要点

以下是论文《NORi：一种机器学习增强的海洋边界层参数化方案》的通俗解读，采用类比方式呈现。

核心难题：海洋太小，难以看见

想象你试图预测全球天气。你有一张巨大的地图，但它是由每块宽达 10 公里的巨大瓷砖拼成的。在这张地图上，你能看到大风暴和洋流。然而，海洋充满了发生在表层几百米内的微小、混乱的漩涡和混合过程——就像海浪上的泡沫，或者冷空气冷却表层水的方式。这些微小的漩涡太小了，无法塞进你地图上的那些巨大瓷砖中。

在气候科学中，我们将这些微小过程称为“次网格尺度”过程。为了让我们的巨幅地图发挥作用，科学家必须猜测这些微小漩涡在做什么。他们使用“参数化方案”——这基本上就是简化的规则手册或公式，声称：“当风以这种强度吹拂时，海水就会混合这么多。”

旧规则手册与新混合方案

几十年来，科学家们一直使用基于物理的规则手册。可以把这些想象成由一位严格的工程师编写的说明书。它们基于已知的定律（例如热量如何从高温流向低温）。

• 优点：它们速度快且稳定。
• 缺点：它们遗漏了一些棘手的物理现象。具体来说，它们难以解释卷夹作用（entrainment）。

什么是卷夹作用？ 想象炉子上的一锅汤。如果你冷却汤的表面，冷汤会下沉，但它不会仅仅停留在表面。它会像活塞一样向下潜入，将下方的暖汤拖拽进冷层中。这种“潜入”动作是非局部的；它发生在混合层的底部，却是由顶部发生的情况引起的。旧规则手册就像一份只知道如何轻轻搅拌汤的食谱；它们不知道如何模拟那种深层的、潜入式的下潜。

登场 NORi：“智能助手”

作者创造了一种新工具，名为NORi（Neural Ordinary differential equations Richardson number，即神经常微分方程理查森数）。请将 NORi 视为旧规则手册的智能助手，而不是对它的替代。

1. 基础（工程师）：NORi 始于一个简单的、基于物理的公式（“基础闭合方案”）。这部分处理简单的事情：由风力和局部温差引起的温和搅拌。它就像汽车的引擎——负责承担繁重的工作。
2. 神经网络（AI 副驾驶）：作者添加了一个小型但极具表达力的人工智能（AI）大脑。这个 AI 并不试图从头开始学习整个海洋。相反，它只学习缺失的部分：即工程师公式所遗漏的深层潜入（卷夹作用）。

类比：想象你在驾驶一辆汽车（海洋模型）。引擎（物理）让你动起来。但有时，你需要驾驭一条崎岖蜿蜒的山路（卷夹作用）。AI 就像一位副驾驶，只有当道路变得曲折时才接手方向盘，引导汽车穿过仅靠引擎会错过的弯道。

如何训练它：向“未来”学习

通常，当你训练一个 AI 时，你会给它一张快照，然后问：“现在的正确答案是什么？”（例如：“这是风速；混合通量是多少？”）。作者发现这会让 AI 变得不稳定。这就像教学生通过死记硬背单个问题的答案来通过考试，但当他们参加期末考试（运行模型数年）时却失败了，因为他们没有理解故事的连贯性。

相反，他们使用了后验训练（从结果中学习）。

• 方法：他们运行了一个超详细、高分辨率的模拟（“真实情况”），捕捉了每一个微小的漩涡。然后，他们让他们的简单 NORi 模型与其并行运行。
• 教训：他们没有要求 AI 在某一特定秒数匹配通量。他们问的是：“运行 2 天后，你的温度和盐度是否与高分辨率模拟相匹配？”
• 结果：AI 学会了随时间调整其行为，以确保整个旅程是正确的，而不仅仅是单一步骤。这就像教学生时说：“不要只答对第 1 题；要确保你能正确解决整个故事问题。”

为何它是颠覆性的

该论文声称 NORi 同时解决了三大难题：

1. 准确性：在测试中，NORi 比旧规则手册更好地匹配了高分辨率的“真实情况”模拟，特别是在海洋冷却和下潜（对流）时。它的表现与最复杂、昂贵的模型（如$k-\epsilon$模型）一样好，但简单得多。
2. 稳定性：这是最大的胜利。许多 AI 模型在长时间运行时崩溃或爆炸（就像视频游戏角色在运行 10 小时后出现故障）。因为 NORi 被训练为保持整个时间线的稳定，它在模拟中运行了100 年而未崩溃，尽管它仅基于 2 天的快照进行了训练。
3. 速度：NORi 是一个“零方程”模型，意味着它不需要像重型模型那样求解额外的复杂数学方程。它可以以更大的时间步长（高达 1 小时）运行，使其在全球气候模拟中快得多。

现实世界测试

作者利用太平洋的海洋气象站 Papa的真实数据对 NORi 进行了测试。他们使用真实天气数据运行模型 120 天（从秋季到冬季）。

• 结果：NORi 几乎完美地预测了海洋的温度和盐度，其表现与观测值的匹配度与最先进模型一样好。
• 惊喜：尽管 NORi 是在理想化的恒定天气条件下训练的，但它完美地处理了混乱多变的真实世界天气。它知道何时“开启”其 AI 大脑（在强烈冷却期间），以及何时让简单的物理引擎接管（在微风期间）。

总结

NORi 是一种模拟海洋表层混合的新方法。作者没有试图构建一个庞大复杂的 AI 来取代物理，而是构建了一个简单的物理引擎，并赋予它一个小型、聪明的 AI 助手来修复其盲点。通过训练这个助手关注长期旅程而非仅仅关注当下时刻，他们创造了一个速度快、百年稳定且高度准确的模型。这是一种“兼收并蓄”的方法， bridging 了简单物理与强大机器学习之间的鸿沟。

技术摘要

技术摘要：NORi：一种机器学习增强的海洋边界层参数化方案

问题陈述
全球海洋气候模型通常在 10 公里或更粗的分辨率下运行，导致其无法显式解析上层海洋边界层（BL）中发生在米级至厘米级尺度上的亚网格尺度湍流混合过程。这些由风、冷却和蒸发驱动的混合过程，调节着大气与海洋内部之间的热量、碳和示踪物的交换。传统的参数化方案面临一种权衡：简单的一阶扩散闭合方案（例如 Pacanowski-Philander）计算效率高，但无法捕捉边界层底部的非局部卷吸作用；而更复杂的双方程模型（例如 $k$-$\epsilon$）或体块方案（例如 KPP）虽然提供了更好的精度，但往往产生高昂的计算成本，或在长时间积分中难以维持数值稳定性。此外，纯粹的数据驱动机器学习（ML）方法在部署于长期气候模拟时，尤其是当在瞬时通量而非时间轨迹上进行先验（a priori）训练时，往往遭受数值不稳定性和物理不一致性的困扰。

方法论
作者引入了 NORi（神经常微分方程理查森数），这是一种混合参数化方案，通过后验（a posteriori）策略训练的神经网络来增强基于简单物理的闭合方案。

1. 混合架构：

   • 基础闭合方案（"Ri"）： 一种基于局部梯度理查森数（$Ri$）的一阶扩散闭合方案。该组件捕捉由剪切和对流驱动的局部混合，确保模型遵循已知的物理标度律并保持静力稳定性（$N^2 \geq 0$）。
   • 神经网络组件（"NO"）： 采用神经常微分方程（NODEs）来预测混合层底部的温度和盐度的非局部卷吸通量。这些网络在垂直方向上进行“卷积”，在网格点之间共享权重，并且仅在特定的“卷吸区”（通过 $Ri$ 判据诊断）内激活。输入包括局部示踪物梯度、理查森数以及非局部表面浮力通量。这些网络预测基础闭合方案所遗漏的剩余通量，具体表现为由对流羽流引起的边界层加深。

2. *训练策略（后验校准）：*

   • 与匹配瞬时亚网格通量的传统先验训练不同，NORi 采用后验训练。损失函数取决于粗粒度变量（温度、盐度、速度）的完整时间积分轨迹，而非瞬时通量。
   • 训练利用一维柱状模型，使用全可微 ODE 求解器（在 Julia 中使用 Lux.jl 和 Enzyme.jl 实现）向前时间积分。梯度通过 ODE 求解器反向传播以更新网络权重。
   • 课程学习： 训练分阶段进行，积分窗口逐渐延长（15、23.3 和 43.3 小时），以确保数值稳定性和泛化能力。
   • 数据来源： 使用 Oceananigans.jl 生成的高保真大涡模拟（LES）作为真实值。数据集涵盖多种机制，包括剪切驱动、对流驱动和混合湍流，具有不同的旋转、层结和热力学条件（使用 TEOS-10 状态方程）。

3. 物理约束：

   • 该架构通过将神经网络组件的表面和底部通量设为零来强制示踪物守恒。
   • 基础闭合方案确保模型尊重静力近似，并防止在静力框架中纯粹 ML 模型常出现的虚假密度反转。

关键结果

• 与 LES 的精度对比： 在单柱配置中，NORi 以高保真度匹配 LES 解，在对流占主导且卷吸作用显著的机制中，其表现显著优于单独的基础闭合方案。其表现与最先进的 $k$-$\epsilon$ 闭合方案以及新开发的 CATKE（对流调整湍流动能）参数化方案相当。
• 泛化能力： NORi 展现出对未见验证案例的强大泛化能力，包括具有非线性热力学（南大洋机制）和随时间变化的表面通量的场景，尽管其训练基于恒定通量场景。
• 观测验证： 当使用海洋气象站 Papa（OWS Papa）70 年的数据进行测试时，NORi 重现了边界层的季节演变，其技巧与 $k$-$\epsilon$ 和 CATKE 相当。
• 数值稳定性： 一个关键发现是 NORi 在长期积分中的稳定性。尽管在 2 天时间跨度上训练，NORi 在理想化的双涡旋模拟中至少保持了 100 年的数值稳定性。相比之下，在先验训练的纯粹 ML 方法往往遭受有限时间发散。
• 时间步长独立性： NORi 在高达 1 小时的时间步长下仍能保持精度，而 $k$-$\epsilon$ 模型需要低于 30 分钟的时间步长才能收敛。这表明 NORi 在依赖更长时间步长的大尺度模型中可提供计算优势。
• 计算成本： 在朴素实现中，NORi 每个时间步比 $k$-$\epsilon$ 慢约 15%。然而，鉴于其支持的时间步长是 $k$-$\epsilon$ 的两倍，作者认为它在大规模模拟中提供了净计算优势。

意义与主张
该论文声称，NORi 代表了为气候模型设计参数化方案的新范式，成功架起了基于物理的建模与机器学习之间的桥梁。作者主张：

1. 增强而非替代： 从一个简单且物理严谨的基础闭合方案开始，并用机器学习增强以捕捉缺失的物理过程（残差），比训练神经网络从头学习整个参数化方案更有效。这种方法大幅减少了数据需求和模型规模，同时提高了泛化能力。
2. 通过后验训练实现稳定性： 使用后验校准（即损失由状态变量的演变而非瞬时通量定义）对于在长期气候积分中实现数值稳定性至关重要。这使得训练分布与推理条件保持一致，并隐式地促进了稳定性。
3. 实用性： NORi 设计为与现有海洋模型兼容（已通过集成到 Oceananigans.jl 中证明），并支持现实的非线性热力学（TEOS-10），使其成为在不产生双方程闭合方案那 prohibitive 成本的情况下，改善全球气候模型混合层深度偏差的可行候选方案。

作者承认了局限性，例如当前固定的网格分辨率（8 米）以及排除了深对流物理和再层结过程，并指出未来的工作将专注于可变网格支持以及在全球海洋模拟中的联合校准。