🔬 physics

Scaling Storm-Resolving Atmospheric AI Simulation to the Entire Planet

该论文介绍了 STRATA，这是首个自回归 AI 模拟器，它通过利用基于分块的训练策略和新颖的架构组件来克服传统物理模型的计算限制，从而能够生成稳定的、高能效的、具有 4.9 公里分辨率的全球风暴级大气模拟。

原作者： Zeyuan Hu, Akshay Subramaniam, Noel Keen, Tao Ge, Jaideep Pathak, Mohammad Shoaib Abbas, Suman Ravuri, Karthik Kashinath, Naser Mahfouz, Peter Caldwell, Mike Pritchard, Noah Brenowitz

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zeyuan Hu, Akshay Subramaniam, Noel Keen, Tao Ge, Jaideep Pathak, Mohammad Shoaib Abbas, Suman Ravuri, Karthik Kashinath, Naser Mahfouz, Peter Caldwell, Mike Pritchard, Noah Brenowitz

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

想象一下尝试预测整个星球的天气。几十年来，科学家们一直使用大型超级计算机来运行物理模拟。这些模拟极其精确，但也极其缓慢且昂贵。仅仅运行一天的模拟天气，消耗的电力就相当于一个小镇一天的用电量。这就像是在需要在一小时内完成整幅画布时，却试图通过手工一次画一个微小的笔触来创作杰作。

STRATA 应运而生，这是一个由 NVIDIA 及其他研究机构的研究人员开发的全新人工智能模型。不要把 STRATA 看作是一个画家，而要把它看作是一位“天气大厨”，因为他已经品尝过无数次这个食谱，所以可以无需测量每一种成分，就能瞬间重现这道菜肴。

以下是通过简单的类比对 STRATA 工作原理进行的解释：

1. 问题所在：细节过多，时间太少

传统的模型试图模拟全球每一朵云和每一滴雨。为了做到这一点，它们需要将地球分解成一个由微小方块组成的网格（宽约 5 公里）。这产生了一个拥有 2500 万块碎片的巨大拼图。

旧方法： 物理超级计算机试图同时计算每一个拼图块的运动。这就像是通过观察每一个单独的碎片来试图解决一个 2500 万块的拼图。这既耗时又耗能。
新方法 (STRATA)： STRATA 学习的是天气的模式。它不再是每次都从头开始计算物理过程，而是根据以往见过的景象来预测接下来会发生什么。

2. 策略：“分块”处理法

最大的挑战在于地球是圆的，而且天气数据量巨大。你无法将整个星球一次性放入 AI 的内存中。

类比： 想象你正在试图了解一座巨大城市的布局，但你只能通过一个小窗户一次观察一个社区。
STRATA 的做法： STRATA 将地球分解成小的、重叠的“瓦片”（就像地板上的瓷砖）。它学习一个小型社区（128x128 的瓦片）在 10 分钟内的天气变化。
神奇之处： 因为 10 分钟尺度上的天气变化主要取决于其紧邻区域发生的事情（局部动力学），所以 AI 不需要看到整个星球就能对接下来的 10 分钟做出合理的预测。它学习的是天气的“局部规则”。
组装： 当它需要预测全球时，它会同时在所有这些小瓦片上运行模拟，然后像缝合一件拼接被子一样将边缘融合在一起，从而创建一个无缝的全球预报。

3. 特殊工具：正确地观察世界

地球是一个球体，但计算机通常以平面正方形的形式思考。这会导致失真，尤其是在两极地区（就像拉伸世界地图一样）。

“立体投影”透镜： STRATA 使用了一种被称为立体旋转位置嵌入 (Stereographic Rotary Position Embedding) 的特殊数学技巧。想象你通过一个以特定瓦片为中心的鱼眼镜头观察地球。这使得 AI 能够理解随着你在全球范围内的移动，“北”和“东”的方向也会随之改变，从而确保无论它在观察哪里，预测都能保持准确。
“去混叠”过滤器： 当你将小瓦片缝合在一起时，有时会出现边缘不匹配的“棋盘格”图案。STRATA 有一个特殊的解码器（清理小组）来平滑这些锯齿状的边缘，确保温度和降水看起来自然且连续，而不是块状的。

4. 结果：快速、高效且真实

论文声称 STRATA 在效率和真实感方面取得了巨大的飞跃：

速度： 传统的物理模型需要大约 1 天的超级计算机时间来模拟 1 天的天气，而 STRATA 使用相同的能量可以模拟 48 天 的天气。这意味着能效提升了 50 倍。
细节： 它捕捉到了“风暴级”的细节。这意味着它可以观测到单个雷暴、热带气旋和山地降水模式，而这些是以前较粗糙的模型所忽略的。这就像是从模糊的低分辨率照片切换到了清晰的 4K 图像。
稳定性： 它可以连续运行 24 小时而不崩溃。虽然它并不完美（随着时间的推移，它有时会对大型、缓慢移动的天气模式产生偏差），但它成功地重现了真实风暴那种混乱、杂乱的行为特征。

5. 局限性（论文中的说法）

论文诚实地说明了局限性：

数据饥渴： 由于风暴是混沌且充满细节的（高“信息密度”），STRATA 在每个网格点上需要的计算能力比简单的低分辨率 AI 天气模型高出约 10 倍。
训练数据： 它的训练数据仅包含 17 天 的高分辨率物理数据。尽管训练数据如此之少，它仍能产生稳定、真实的预报，这是一项显著的成就。
“漂移”现象： 在长时间运行后（超过 24 小时），模型会开始偏离现实，特别是在大规模、缓慢移动的风场模式方面。作者建议，未来他们可能需要将这种高速 AI 与一个较慢的低分辨率模型结合使用，以保持宏观图景的准确性。

总结

STRATA 就像是获取一段地球天气的高清慢动作视频，并教会 AI 如何瞬间预测下一帧画面。通过将星球分解为易于处理的“社区”，并使用智能数学方法来处理地球曲率，它实现了一种此前无法实现的细节度和速度，使得高分辨率天气模拟变得既经济又快速。

技术摘要：STRATA —— 将风暴解析级大气 AI 模拟扩展至全球尺度

1. 问题陈述

能够显式解析对流风暴（全球风暴解析模型，GSRMs）的全球大气模型运行在千米级分辨率（例如 ~4.9 km）和 10 分钟时间步长下。虽然这些模型在模拟降水极端情况和云反馈方面提供了前所未有的物理保真度，但其计算成本极高。领先的 GSRM 模型（如 SCREAM）需要 Exascale 超级计算机，且模拟仅一个大气日的时间就需要消耗约 1 MWh 的电量，这限制了它们在长时序集合预报和气候投影中的应用价值。

现有的 AI 天气模拟器在粗分辨率（~0.25°）或有限区域领域实现了高效能，但无法复制风暴解析尺度所需的显式对流动力学。挑战在于 3D 对流动力学具有极高的信息密度，这要求每个网格点比大规模天气尺度预报消耗更多的计算资源。此外，在全局、高分辨率数据上训练自回归模型受限于内存瓶（激活内存）以及长时序全球模拟数据的稀缺性。

2. 方法论：STRATA 架构

作者引入了 STRATA（风暴解析型基于切片的自回归大气 Transformer 架构），这是首个旨在实现千米级分辨率自回归全球演进的 AI 模拟器。该方法论基于这样一个前提：在 10 分钟时间尺度上的大气动力学主要表现为局部性，这使得将稀缺的全球时间样本转化为丰富的局部空间样本成为可能。

2.1 基于切片的训练与推理

训练策略： 为了克服激活内存瓶颈，STRATA 在从全球快照中裁剪出的独立 $128 \times 128$ 切片（跨度约 576 km）上进行训练。这通过牺牲稀缺的时间覆盖范围来换取丰富的空间样本。
推理策略： 在推理期间，全球立方体球面网格被分解为重叠的切片。模型独立处理这些切片，并将结果融合为连续的全球状态。
边界处理： 为了解决立方体球面面边界处的几何不连续问题，作者采用了 双网格晕圈填充（Duo-grid halo padding）。该方法将一个面的等角网格向其边界外扩展，并插值相邻面的数值，从而为边界切片提供局部连贯的邻域。

2.2 核心架构

该模型基于适用于确定性大气模拟的扩散 Transformer (DiT) 骨干网络，具有三个关键创新：

3D 局部注意力骨干网络：
- 3D Patch Embedding： 不同于将垂直维度视为通道的粗分辨率模型，STRATA 将其视为空间轴（ $p_v=1$ ）。这使得模型能够在 Token 层面建模 3D 对流动力学。
- 邻域注意力 (NATTEN)： 模型在 $36 \times 36$ 个原生网格单元（约 160 km）的窗口内使用 3D 局部邻域注意力。
- 列向注意力： 交替使用的列向注意力块用于捕捉缺乏水平耦合的垂直过程（如辐射、微物理过程）。
立体旋转位置编码 (StereoRoPE)：
- 标准位置编码由于方向变化在球面网格上会失效。STRATA 将每个切片投影到以该切片为中心的局部立体切平面上。
- 风矢量被旋转到以切片为中心的东-北坐标系中，以确保网格不变性编码。这使得模型能够在不进行重新训练的情况下，泛化到不同的网格拓扑结构。
像素空间去混叠解码器：
- Patch Token 化会在平滑场中引入棋盘格伪影（谱偏差）。
- STRATA 采用了一种受 PixelDiT 启发的轻量级解码器，用双线性上采样结合深度卷积取代了线性上采样。这强制执行了 Patch 边界间的连续性，并抑制了演进过程中的伪影。

2.3 训练目标

STRATA 首先针对单步预测进行训练，使用经过通道归一化的平滑 $\ell_1$ （Huber）损失函数。为了确保自回归演进的稳定性，模型进行了多步微调（最多 4 步），其中损失仅在序列的最终预测上计算。这抑制了误差的累积和不稳定性。

3. 关键结果

3.1 物理真实性与可预报性

演进稳定性： STRATA 能产生稳定的 24 小时全球演进，涵盖了包括热带气旋、层积云、中纬度锋面及地形降水在内的多种多样化场景下的真实千米级动力学。
统计保真度： 与持久性基准（通过分数技能得分衡量）相比，该模型能更好地维持有组织的降水结构。热带降水的传播速度和相位倾斜度与地面真值（SCREAM）相匹配。
局限性： 随着时间推移会出现大规模偏差。全球平均降水量偏低约 20%，且对于大规模环流（如 850 hPa 温度和风场）的误差增长率高于预期（对于 24 小时预报而言），尽管其增长速度慢于模型自身的失稳速度。与基于数十年数据的粗分辨率模拟器相比，该模型在处理天气尺度动力学方面表现较弱。

3.2 计算效率与扩展性

能量效率： STRATA 实现了 每 MWh 48 个模拟日 的效率，相比 SCREAM 物理模型（0.78 SD/MWh）在能量效率上提升了约 50 倍。
吞吐量： 在 512 块 H100 GPU 上，STRATA 的吞吐量达到了 每天 741 个模拟日。
计算需求： 一项等 FLOP 扩展研究表明，千米级模拟比粗分辨率 AI 天气模型每网格点需要 ~10 倍更多的 FLOPs。这归因于与准 2D 大规模大气相比，3D 对流数据具有更高的信息熵。
扩展定律： 在固定的 FLOP 预算内，较大的 Patch 大小（ $p_h=4$ ）比较小的 Patch 具有更低的损失和更快的推理速度（1.5–2.9 倍），因为它们提高了模型 FLOP 利用率 (MFU) 和有效的注意力窗口。

3.3 网格不变性

该模型展示了对未见网格拓扑结构的零样本泛化能力。当在无需重新训练的情况下部署在经纬度网格和旋转斜立体网格上时，STRATA 仍能产生定性一致的降水和湿度场，验证了 StereoRoPE 和风矢量旋转机制的有效性。

4. 重要性与主张

论文声称 STRATA 是 首个成功演示在全球千米级分辨率（4.9 km，10 分钟时间步长）下进行自回归演进的 AI 模型，将技术前沿从有限的区域领域（900 km，2 小时演进）扩展到了整个星球。

这项工作的意义在于：

行星级对流解析模拟的可行性： 它证明了 AI 可以以比基于物理的 GSRM 低几个数量级的成本（能量和时间）生成对流解析级的模拟，使得用于气候不确定性量化的大规模集合模拟变得具有可行性。
高分辨率模拟的定量框架： 研究确立了风暴解析级数据具有显著更高的熵，每网格点需要比天气尺度模型多出约 10 倍的计算量。这为未来的高分辨率模拟器提供了设计框架。
架构创新： 引入用于网格不变球面编码的 StereoRoPE 以及基于切片的训练策略，为避免传统全局求解器内存瓶颈的全球高分辨率建模提供了一种可扩展的解决方案。

作者对当前的局限性保持了审慎态度，指出虽然对流尺度的物理过程已被良好学习，但大规模环流偏差依然存在。他们认为，将 STRATA 与互补的低分辨率全球模拟器相结合，是实现世纪尺度模拟并最终解析 ~10–100 m 尺度低云反馈的必要步骤。