预测不可预测之事
日常天气预报已经变得非常准确，但预测罕见的极端事件——例如最致命的热浪——仍然是一个艰巨的挑战。这些事件有时被称为“灰天鹅”，它们发生频率极低，超出了典型天气模式的范围。传统的基于超级计算机的模型可以模拟它们，但需要巨大的计算资源和时间。另一方面，较新的基于AI的预测模型擅长常规预测，但往往无法捕捉训练数据中代表性不足的异常值。
这一差距促使研究人员寻求中间地带。由芝加哥大学的科学家和法国合作者领导的团队开发了一种混合方法，结合了两种方法的优点。这项新技术发表在《物理评论快报》上，有望改进对罕见、高影响天气事件的预测，同时比传统模型使用更少的资源。
灰天鹅的挑战
热浪是最致命的极端天气形式之一。2003年，欧洲的热浪估计造成7万人死亡；2010年，俄罗斯的热浪导致5.6万人死亡。最近，在2026年6月，美国近一半人口（约1.8亿人）经历了危险的高温。由于气候变化，这些事件变得越来越频繁和严重，使得准确预测变得至关重要。
然而，这类异常值的本质使它们难以研究。它们很罕见，因此用于训练机器学习模型的历史数据有限。传统的基于物理的模型从基本方程模拟大气行为，可以生成极端情景，但需要大量计算能力，并且可能需要数天才能运行。这使得它们对于实时预测或探索许多可能的情景不切实际。
正如芝加哥大学地球物理科学副教授、该研究的联合负责人Pedram Hassanzadeh所解释的那样，“AI天气和气候模型是AI在科学领域的一项伟大成就，但它们并不神奇——它们在灰天鹅事件上会失败，这些是最罕见和最极端的事件。详细的基于物理的模型可以捕捉极端情况，但需要过量的时间和能源。”
混合解决方案
由Hassanzadeh的气候极端理论与数据小组和国际合作者开发的新方法，将AI与传统的基于物理的建模相结合。该方法利用AI的速度来探索广泛的可能条件，同时使用基于物理的模型来确保罕见事件在物理上是现实的。这种结合使团队能够更准确、更高效地估计极端事件的概率。
关键创新在于两个组件如何相互作用。AI模型在有限的极端事件模拟集上训练，提出候选情景。然后使用基于物理的模型对这些情景进行验证和细化，纠正任何不现实的结果。这个迭代过程收敛到罕见事件的可靠概率分布，即使仅靠AI会遗漏它们。
“这种方法的强大之处在于它结合了AI和传统物理的优势，特别适用于极端事件，这些事件最难模拟且对社会影响最大，”Hassanzadeh说。
对预测和气候研究的意义
这种混合方法可以显著提高我们预测罕见但破坏性天气事件的能力。例如，它可以帮助应急规划人员为可能百年或千年一遇的热浪、洪水或干旱做好准备。通过提供更准确的概率，该方法可以为基础设施设计、公共卫生策略和灾害应对计划提供信息。
此外，降低的计算成本意味着此类预测可以更频繁地运行，并覆盖更长的时间范围。这可以带来更好的季节性和年代际预测，帮助社会适应气候变化。
这项研究还强调了将AI与物理理解相结合的重要性。虽然AI已经彻底改变了许多领域，但在罕见事件方面存在局限性。通过将两者融合，科学家可以利用两个世界的优势。
展望未来
该团队计划进一步完善该方法，并在其他类型的极端事件（如飓风和龙卷风）上进行测试。他们还旨在使该工具可供世界各地的气象服务和气候研究人员使用。
随着极端天气变得更加常见，准确预测的需求也在增长。这种混合方法提供了一条有希望的前进道路，可以拯救生命并减少经济损失。通过提高我们预测不可预测事件的能力，我们可以更好地为未来的挑战做好准备。
目前，该方法代表了极端事件预测科学的重要一步。它证明了跨学科合作的力量，以及将尖端AI与经过时间考验的物理原理相结合的潜力。
本文基于Phys.org的报道。阅读原文。
Originally published on phys.org
