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

想象一下，大气层是一个巨大的、翻腾着的厨房，隐形的厨师们正在其中不断地烹饪着天气。在这个厨房里，水不仅仅是水；它是一个变形者，可以作为气体（水汽）、液体（雨滴或云滴）或固体（冰）存在。这些形态的变化是雷暴、飓风甚至周二那场细雨背后的“秘密酱汁”。但棘手之处在于：准确预测水从一种形态转变为另一种形态的具体时间和速度是非常困难的。传统的数值天气预报模型试图通过使用复杂的数学方程来解决这个问题，这些方程就像一个缓慢而细致的食谱，计算着烹饪过程中每一个微小的步骤。虽然准确，但这些食谱的计算量巨大，以至于会拖慢那些试图预测明天天气的超级计算机。科学家们一直在寻找一种更快、更聪明的方法来处理这些“相变”，而不丢失物理学的“风味”。

这正是这种新方法介入的地方，它就像一名观察了成千上万个烹饪视频并学会了瞬间猜出下一步动作的烹饪学徒。David Lee及其在气象局和澳大利亚国立大学的研究团队最近的一项研究，探索了使用一种被称为神经网络的人工智能来学习这些水的转化过程。该人工智能不再每次都去求解沉重的数学方程，而是观察空气的当前状态（温度、密度以及含水量），并立即预测应该有多少水转化为雨或冰。研究人员利用来自高分辨率天气模型的物理数据对该人工智能进行了训练，该模型模拟了一场热带风暴，从而教会了它热力学（关于热量和能量的定律）的规则——这样它就不仅仅是在瞎猜，而是以一种尊重宇宙能量平衡的方式进行预测。结果显示，该系统模拟云层和风暴形成的速度比传统方法快得多，同时还能保持系统能量的完美平衡，确保模拟过程不会“破坏”物理定律。

风暴的食谱

要理解研究人员做了什么，我们首先需要了解他们试图解决的问题。在现实世界中，当一个温暖的气泡上升时，它会冷却下来。随着冷却，其中的水汽会想要转化为液态水或冰。这个过程会释放热量，使气泡上升得更快，从而产生强大的上升气流。这就是雷暴的引擎。

在传统的天气模型中，弄清楚究竟有多少水汽转化为液体、有多少转化为冰是一个令人头疼的问题。模型必须在每一个时间点都解出一个复杂的谜题，以确保所有水相的温度和压力都是一致的（这种状态被称为“热力学平衡”）。这就像是在每一张天气图的每一个像素点上，都要反复尝试平衡一个带有上千个微小砝码的天平。这样做很准确，但也极其缓慢且昂ately，对于计算机运行来说成本很高，尤其是在试图预测精细到“亚公里”级（即每个微小云团都至关重要）的风暴时。

本文作者提出了一个不同的问题：如果我们能教计算机识别这些变化的模式，而不是每次都去解那个沉重的数学谜题呢？他们决定训练一个神经网络——一个数字大脑——来学习水汽、液体和冰之间的“质量交换”。把这个神经网络想象成一个观察了大师级厨师（LFRic模型，一种复杂的模拟器）烹饪了六个小时的学生。这个学生不仅记住了食谱，还学会了烹饪的“感觉”。他学会了当空气变得寒冷且稠密时，一定量的水汽“应该”转化为液体，可能还有更多的水汽会转化为冰，同时还要保持整个厨房的总能量恒定。

训练与测试

研究人员使用了一次热带风暴模拟的数据来训练他们的AI，该模拟发生在澳大利亚达尔文上空。他们向神经网络输入了不同温度、密度和不同形态水量的统计数据，并要求它预测水从一种形态转变为另一种形态的速率。为了确保AI不会凭空捏造，他们在训练中构建了一个特殊的“损失函数”。这就像一位严格的老师在批改学生的作业。老师会检查两件事：第一，水的质量计算是否正确（我们有没有凭空弄丢了水？）；第二，能量是否平衡？

这里的关键创新在于，该AI被设计为具有“热力学一致性”。这意味着，尽管AI是在进行快速预测，但它被迫遵循能量既不会被创造也不会被破坏的规则。如果AI预测水汽正在转化为冰，它还必须精确计算释放了多少热量以及熵（衡量系统无序度或“混乱程度”的指标）如何变化，以保持能量方程的平衡。研究人员发现，他们可以将网络的训练精度提升到极高的水平，其预测误差几乎为零（约为 $6.5 \times 10^{-13}$）。这个极小的数字意味着AI几乎完美地掌握了物理规律。

气泡实验

为了测试这种由AI驱动的新方法是否真的有效，团队设置了一个测试案例。他们创建了一个“湿气泡”——一个模拟在寒冷大气中上升的温暖潮湿空气团。他们运行了两次模拟：一次使用他们的新AI方法（该方法假设水相并非瞬时处于完美平衡状态，这种状态被称为“化学非平衡”），另一次使用传统的、强制要求一切达到完美平衡的方法。

结果非常有趣。使用AI模拟的气泡上升和演变的方式与以往著名的测试案例非常相似。它显示了在气泡边缘水汽向液体转化的过程，以及在气泡中心向冰转化的过程。然而，使用传统“平衡”方法模拟的气泡上升速度要快得多。为什么呢？因为传统方法假设一旦水结冰，它会立即变成冰，并瞬间释放出一股巨大的热量。而AI方法尊重现实世界的“非平衡”本质，展示了一种更渐进、更真实的转变。水并没有立刻“啪”地一下变成冰，而是慢慢进行的，释放热量的速度也更慢。

至关重要的是，研究人员检查了能量平衡。在AI模拟中，系统的总能量保持了完美的守恒，误差极小，几乎可以忽略不计（数量级在 $10^{-15}$ 左右）。这证明了AI不仅仅是一个快速的猜测，它是一个快速、准确且符合物理逻辑的猜测。相比之下，传统的平衡方法虽然在某种程度上很快，但在这次特定测试中违反了热力学第二定律，它显示熵（无序度）在应该增加的时候反而减少了，这在物理学上是不可能的。

这意味着什么

这项研究表明，使用神经网络来处理云层的复杂化学过程可能会成为天气预报领域的游戏规则改变者。通过从高分辨率数据中学习相变的模式，AI可以在不承担求解复杂平衡方程的高额计算成本的情况下，模拟精细尺度的风暴。研究人员发现，这种方法尊重物理定律，保持能量平衡，并且产生的结果比目前许多模型所使用的“瞬时平衡”假设更具现实意义。

虽然这目前还是一种模拟，而非全面的实际天气预报，但结果是令人期待的。作者指出，在未来，这种神经网络可以取代现实世界天气模型中沉重的微物理计算过程。这将使计算机运行得更快，潜在地为我们提供更准确、更详细的严酷天气预报。这项研究也指明了一条前进的道路：确保这些AI模型即使在接受包含其他因素（如边界条件）的数据训练时，也能始终遵循热力学第二定律。这是迈向未来的重要一步——在那个未来，我们的天气模型不仅会更快，而且会更聪明，与大气层那混沌而美丽的现实更加契合。