💻 computer science

Samudra 2: Scaling Ocean Emulators across Resolutions

Samudra 2 是一种先进的自回归神经网络海洋模拟器，通过架构和损失函数的创新，克服了以往在分辨率和长期稳定性方面的局限性，能够在单块 GPU 上实现高达 1/4° 分辨率的高保真、多年全球模拟。

原作者： Yuan Yuan, Jesse Rusak, Alexander Merose, Adam Subel, Pavel Perezhogin, Alistair Adcroft, Carlos Fernandez-Granda, Laure Zanna

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yuan Yuan, Jesse Rusak, Alexander Merose, Adam Subel, Pavel Perezhogin, Alistair Adcroft, Carlos Fernandez-Granda, Laure Zanna

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，地球海洋是一场巨大、混乱且极其复杂的舞蹈。科学家们使用被称为“海洋通用环流模型”（OGCMs）的大型计算机程序，试图预测这场舞蹈在数十年或数世纪内如何移动。这些程序就像是超高清晰度的电影，但由于计算成本极高，运行它们需要耗费数百万小时的计算机时间。这意味着科学家只能制作极少数的“电影”来研究不同的气候情景，这限制了他们理解气候变化全貌的能力。

于是有了 Samudra 2，一种全新的人工智能（AI）工具，旨在成为这些庞大计算机程序的“快速替身”。你可以把它想象成一位技艺精湛的即兴演员，他已经观摩了原版电影数千遍，现在能够以极快的速度重现其中的场景，而且只需在单个图形处理器（类似于游戏电脑中的显卡）上运行，而不需要超级计算机。

以下是论文解释的 Samudra 2 所带来的改进之处：

第一代版本（Samudra）的问题

原始的 AI 模拟器 Samudra 曾是一项突破，因为它能够进行数十年的模拟。然而，它有两个主要的“故障”，使得长期模拟的“电影”看起来并不正确：

“无聊电影”效应（方差崩溃）： 随着时间的推移，AI 变得偷懒了。它不再展示现实海洋中那种狂野、混乱的波浪和洋流，而是开始预测海洋会趋于平静、平均的状态。它失去了现实海洋中的“火花”和活力。
“重影”效应（印记伪影）： AI 在不同部分的海洋之间产生了混淆。它开始复制表面洋流（如墨西哥湾流）的模式，并将这些模式强加到原本不属于它们的深海海底。这就像投影仪不小心将繁忙街道的图像投射到了安静的卧室墙壁上，从而在深海数据中创造了虚假的模式和噪声。

此外，原始的 Samudra 只能以“低分辨率”（1度）观察海洋，这对于观察被称为“涡旋”的重要小规模旋转来说太模糊了。

Samudra 2 的升级

研究人员通过两个主要的升级修复了这些问题：

1. 更大、更聪明的脑力（更宽的架构）
他们让 AI 的“大脑”变得更宽、更强大。想象一下从一张小速写本升级到一块巨大的高清画布。这种新的设计使 AI 能够看到更精细的细节。

结果： 他们成功地将 AI 的规模扩展到了 1/2 度 和 1/4 度 分辨率。在更高的分辨率下，AI 终于可以“看到”那些此前不可见的微小旋转涡旋以及沿大陆边缘的尖锐、快速的电流（如墨西哥湾流）。这就像是从像素化的 1990 年代视频游戏切换到了高清 4K 电影。

2. 更聪明的老师（动态损失函数）
在机器学习中，“损失函数”是为 AI 的作业评分的老师。旧版的老师对海洋的每个部分一视同仁。由于海洋表面非常活跃，而深海非常平静，老师把过多的注意力放在了表面，却忽略了深海。

修复方案： 新的“动态损失”是一位会特别关注 AI 出错部分的老师。如果 AI 在表面表现出色但在深海表现糟糕，老师就会说：“嘿，把注意力集中在深海！”它会不断重新调整评分权重，以确保安静、缓慢移动的深海能得到应有的关注。
结果： 这阻止了“重影”效应。深海的预测变得更加清晰，虚假模式也消失了。深海温度预测的误差降低了约七倍。

它表现得如何？

团队通过让 Samudra 2 在单个计算机芯片上运行约 8 年 的模拟进行了测试。他们将生成的“电影”与真实的高保真计算机模型（OM4）进行了对比。

温度： 它在预测上层海洋（前 700 米）的温度方面表现得更好，显著提高了准确度得分。
深海： 虽然它在完美预测深海方面仍有挑战（因为深海的变化极其微小，预测难度极大），但与旧版本相比，它大幅降低了误差。
速度： 由于运行速度极快，科学家现在可以运行数百甚至数千个此类模拟（集合），以更好地了解气候预测中的不确定性，而这在以前由于成本原因是无法实现的。

核心结论

Samudra 2 是一个更快、更清晰、更稳定的海洋 AI 模拟器。它修复了前任版本中“无聊”和“重影”的问题，并且现在可以实现高清晰度观察海洋，捕捉对气候科学至关重要的微小旋转和电流。虽然它在最深层的海洋部分仍有待完善，但它为科学家开展大规模、详细的气候实验打开了大门，而这些实验在以前由于成本和时间限制是无法实现的。

技术摘要：Samudra 2：跨分辨率缩放海洋模拟器

问题陈述

海洋通用环流模型（OGCMs）是气候科学的基础，用于模拟热量、盐度和动量的输送。然而，其计算开销严重限制了运行大规模集合或探索多样化强迫情景的能力，尤其是在需要高空间分辨率来解析中尺度涡旋和剧烈锋面结构时。虽然神经模拟器提供了加速的可能性，但现有的海洋模拟器在结合高空间分辨率与长期动力稳定性方面仍面临挑战。

作者识别了其前身 Samudra（受限于 $1^\circ$ 分辨率）中的三个具体失效模式：

方差崩溃（Variance Collapse）： 自回归误差累积导致预测结果向气候平均态回归，从而抑制了时间变率，尤其是在深海区域。
印记伪影（Imprinting Artifacts）： 速度场的空间模式会“泄漏”到温度和盐度场中，产生非物理性的条带状结构和高频噪声，并在多年期的滚动模拟中被放大。
分辨率限制： 无法在低于 $1^\circ$ 的分辨率下运行，这阻碍了对对气候变率至关重要的中尺度涡旋和西边界流结构的模拟。

方法论

Samudra 2 通过对基于改进型 ConvNeXt 块构建的 U-Net 主干网络进行两种互补的架构与训练修改来解决这些挑战。

1. 架构缩放

为了支持更高分辨率（ $1/2^\circ$ 和 $1/4^\circ$ ），作者通过加宽而非加深 U-Net 主干网络来实现。

通道宽度： 编码器-解码器阶段的通道宽度从 $[200, 250, 300, 400]$ 增加到 $[280, 380, 480, 520]$ 。
扩张因子： 修改后的 ConvNeXt 块内部的扩张因子从 4 减少到 2。这种设计将参数容量从块内部的瓶颈转移到了阶段间的特征维度，从而平衡了表征能力与计算成本。

2. 动态损失函数

为了解决方差崩溃和印记问题，作者使用动态的、通道加权的损失函数取代了标准的均方误差（MSE）损失。

机制： 标准 MSE 被高方差的表层场所主导，导致优化器忽略演化缓慢的深海信号。新的损失函数根据每个通道的运行预测误差的反比例进行重加权。
实现： 权重通过每通道 MSE 倒数的指数移动平均（EMA）进行在线更新。这能自适应地放大具有较小误差的通道（通常是深海场）的梯度信号，同时防止高方差的表层通道主导损失。
截断： 权重被限制在一个比例（设定为 $L=20$ ）内，以防止过度放大那些几乎没有可学习信号的通道。

训练与评估设置

数据： 模型在 GFDL OM4p25 海洋模型（原生分辨率为 $1/4^\circ$ ）的输出上进行训练，并重新网格化至 $1^\circ$ 、 $1/2^\circ$ 和 $1/4^\circ$ 。
变量： 模拟器预测 77 个通道（包括 19 个深度层级的位温、盐度、纬向/经向速度以及海平面高度），由大气强迫驱动。
滚动模拟（Rollouts）： 训练使用短期的自回归滚动（ $K=4$ 步，40 天）。评估涉及约 8 年（约 580 步）的长时程自回归滚动，且不提供地面真值反馈，旨在评估指标如时间方差、谱分布和气候指数（如 Niño 3.4）。

核心贡献

Samudra 2 模型： 一种改进的 AI 海洋模拟器，集成了更宽的 ConvNeXt U-Net 和动态方差加权损失。它成功缓解了长时程自回归模拟中的方差崩溃和印记伪影问题。
多分辨率缩放： 首次展示了在 $1/2^\circ$ 和 $1/4^\circ$ 分辨率下的多年海洋模拟。该模型能够恢复在 $1^\circ$ 分辨率下无法解析的中尺度结构（涡旋、弯曲和丝状结构）以及剧烈的西边界流。
诊断框架： 一套全面的评估体系，表明虽然短期准确性是必要的，但对于验证旨在进行气候预测的海洋模拟器而言，长时程气候诊断（方差、谱分布）至关重要。

结果

$1^\circ$ 分辨率下的表现

上层海洋： 全球平均上层海洋温度的 $R^2$ 从 0.56（Samudra）提升至 0.87（Samudra 2）。
深海： 深海温度误差降低了约七倍。尽管 $R^2$ 仍为负值（表明性能差于时间平均基准），但误差幅度显著减小（从 $-111.36 $降至$ -16.14$）。
印记问题： 视觉和统计分析证实，速度印记伪影在深海温度和盐度场中得到了抑制。

多分辨率表现（ $1/2^\circ$ 与 $1/4^\circ$ ）

空间保真度： 更高的分辨率逐步解析出更精细的空间尺度。 $1/4^\circ$ 模型捕捉到了中尺度涡旋和西边界流热点（墨西哥湾流、黑潮、厄加勒斯流），其方差结构与 OM4 参考数据高度匹配。
光谱保真度： $1/4^\circ$ 模型比 $1^\circ$ 模型将解析的波数范围扩展了四倍，获取了粗网格中不存在的中尺度动力学特征。
时间追踪： 所有分辨率都能很好地追踪上层海洋的变率（ $R^2 = 0.84–0.92$ ）。中层深度表现随分辨率提高而改善（例如， $1/4^\circ$ 下的 $R^2$ 接近 0.01），尽管深海追踪（ $2000–7000$ 米）在所有分辨率下仍是一个开放性挑战。

消融实验

在 $1^\circ$ 分辨率下的消融实验揭示了两种修改方案之间存在强烈的协同作用：

仅使用更宽架构： 未能改善上层海洋性能（ $R^2 = 0.50$ ），并导致中层盐度性能下降。
仅使用动态损失： 未能改善上层海洋性能（ $R^2 = 0.51$ ），但它是降低深海误差的主要驱动力。
结合使用（Samudra 2）： 在上层海洋实现了 $R^2 = 0.87$ ，证明了更宽的架构为动态损失函数的有效运作提供了必要的容量。

重要性与主张

论文声称，通过在单块 GPU 上运行，Samudra 2 使更大规模的海平面投影、海洋热吸收研究和气候变率分析集合成为可能。通过解析 $1/4^\circ$ 的中尺度特征，该模拟器为研究依赖于涡旋动力学的过程提供了一种可行的替代方案。

作者对深海保真度持谨慎态度，承认由于训练信号极弱且背景方差占主导地位， $\sim700$ 米以下的预测仍是一个开放性挑战。他们将 Samudra 2 定位为迈出的重要一步，解决了特定的长时程失效模式（方差崩溃、印记问题）并实现了向更高分辨率的扩展，同时也指出在深海变率方面，基于物理的模拟仍然是更可靠的参考。这项工作被视为对更广泛的一类长时程自回归机器学习问题的贡献，旨在解决诸如谱偏差和跨变量损失不平衡等问题。