美国谷歌公司的Stephan Hoyer与合作者开发了一个机器学习模型，能做精确的气候猜测和气候模仿。该模型名为NeuralGCM，能逾越部分现有气候和气候猜测模型，有望比传统模型节约很多算力。相关研讨7月22日发表于《天然》。

　　一般环流模型反映了大气、海洋和陆地的物理进程，是气候和气候猜测的根底。削减长时间预告的不确定性以及预算极点气候事情是了解气候缓解和习惯的要害。机器学习模型一向被认为是气候猜测的一种代替手法，且具有节约算力本钱的优势，但它们在长时间预告的体现上常常不如一般环流模型。

　　Hoyer等人规划的模型结合了机器学习和物理办法，能进行中短期气候预告以及几十年的气候模仿。该模型对1至15天预告的精确率可比美欧洲中期气候预告中心（ECMWF）的猜测成果。关于最多提早10天的预告，NeuralGCM的精确率与现有机器学习技能平起平坐，有时乃至更好。

　　NeuralGCM的气候模仿精确率与最好的机器学习和物理办法适当。当研讨者在NeuralGCM的40年气候猜测中加入海平面温度后，他们发现模型给出的成果与从ECMWF数据中发现的全球变暖趋势共同。NeuralGCM在猜测龙卷风及其轨道方面也超过了已有的气候模型。这些依据成果得出，机器学习是提高一般环流模型猜测精确率的一个可行手法。（冯维维）