摘要
得益于深度学习技术的显著发展，学术界已涌现出一系列基于深度学习的气候模型研究。尽管大多数现有方法采用循环神经网络（Recurrent Neural Networks）和/或图神经网络（Graph Neural Networks），本文提出了一种基于两个核心概念的新型气候建模框架：神经微分方程（Neural Ordinary Differential Equation, NODE）与对流-扩散方程（Advection–Diffusion Equation）。对流-扩散方程在气候建模中被广泛采用，因其能够有效描述气候系统中涉及布朗运动与整体流动的多种物理过程。另一方面，NODE能够从数据中学习隐含的常微分方程（ODE） governing equation。在本文提出的框架中，我们将上述两种机制整合为统一模型，并引入一个新概念——神经对流-扩散方程（Neural Advection–Diffusion Equation, NADE）。该NADE模型结合了对流-扩散方程的物理先验知识，并引入一个额外的神经网络以刻画系统内在的不确定性，从而能够学习到最适配给定气候数据集的隐含控制方程。在三个真实世界数据集和两个合成数据集上，针对十四种现有基线方法的实验结果表明，本文方法始终以显著优势超越现有基准，表现出卓越的建模性能与泛化能力。