# NeuralGCM 混合气候模型

地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。

地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。

Ai2在Google.org提供的数百万美元、为期三年的资助和Google Research的技术支持下启动气候建模计划，开发开源模型NeuralGCM+。它沿用NeuralGCM的混合思路：用物理方程模拟大尺度动力过程，用AI表示云和降水等小尺度过程，并把大气与海洋、海冰耦合起来，目标是稳定模拟数十年尺度的气候。Google Research此前的NeuralGCM在大气单层版本上，用单块TPU八分钟模拟出全球一年的天气状况。

Ai2在Google.org提供的数百万美元、为期三年的资助和Google Research的技术支持下启动气候建模计划，开发开源模型NeuralGCM+。它沿用NeuralGCM的混合思路：用物理方程模拟大尺度动力过程，用AI表示云和降水等小尺度过程，并把大气与海洋、海冰耦合起来，目标是稳定模拟数十年尺度的气候。Google Research此前的NeuralGCM在大气单层版本上，用单块TPU八分钟模拟出全球一年的天气状况。