对极端天气事件（造成最大破坏的那种）进行建模在计算上是极其残酷的。一次百年一遇的热浪至少需要100年的模拟时间，才能通过蛮力生成哪怕一个样本。使用高分辨率气候模型时，这样的模拟所需的计算时间和能源成本将以月或年计，即使在超级计算机上也是如此。
芝加哥大学、CNRS巴黎和纽约大学的研究人员开发了一种大幅降低这一成本的方法。他们的AI增强型罕见事件采样（AI+RES）框架结合了深度学习天气模拟器与轨迹分裂算法，可将表征极端热浪统计所需的计算资源降低高达1000倍。该成果已被《物理评论快报》（Physical Review Letters）接受发表。
工作原理
该框架包含两个组件。第一个是AI天气模拟器，一个在气候模型输出上训练的深度神经网络，能够以近乎为零的计算成本运行集合预报。该模拟器充当”评分函数”，预测哪些模拟轨迹最有可能导致极端事件。
第二个组件是轨迹分裂罕见事件采样方法。在预定的重采样时间点，算法复制有希望的轨迹（AI识别为可能产生极端事件的轨迹）并终止无希望的轨迹。只有最有希望的轨迹才会被传递给完整的基于物理的气候模型（在本例中为PlaSim）进行高保真模拟。
AI组件解决了罕见事件采样中的一个长期问题：设计一个好的评分函数传统上需要深厚的领域专业知识和大量的试错，而且对于热浪等短期极端事件尤其困难。AI从气候模型的输出中自动学习评分函数。
已证实的性能
研究团队在两个地区的中纬度热浪上测试了AI+RES：以法国和美国中西部为中心的地区。该框架以显著降低的成本再现了长期PlaSim模拟的真实统计结果。
没有AI增强的标准RES在最罕见的事件上完全失败，它无法产生哪怕一个最极端热浪的样本。没有物理组件的纯AI模型则不准确，且无法外推到训练数据之外，这是纯数据驱动天气预测的局限性。
报道该结果的《物理世界》文章称该方法实现了”高达1000倍”的计算节省。论文本身报告了针对特定PlaSim热浪验证的30到300倍的成本降低，其中较高的数字反映了AI+RES组合的效果。这种差异反映了面向普通读者的易懂整数与实测具体范围之间的区别。
该方法既能产生准确的统计结果，也能提供对极端事件驱动机制的物理洞察，这意味着它不仅可以用于预测热浪频率，还可以用于理解热浪为何发生。
为何重要
气候模型正变得越来越精细，运行成本也越来越高。高分辨率模型的计算成本限制了研究人员能够执行的模拟数量，这反过来又限制了他们对可能罕见但具有破坏性的极端事件概率的估算能力。
如果AI+RES方法能够推广到其他类型的极端事件，热带气旋、大气河流、洪水、强雷暴，它可能从根本上改变气候风险评估的方式。与其依赖有限数据的统计外推，模型可以直接模拟数千年间的极端事件，而成本仅为当前的一小部分。
作者们，共同第一作者Amaury Lancelin（CNRS/ENS巴黎）和Alexander Wikner（芝加哥大学），以及通讯作者Dorian Abbot（芝加哥大学）、Freddy Bouchet（ENS巴黎）、Pedram Hassanzadeh（芝加哥大学）和Jonathan Weare（NYU），已将AI+RES代码公开，供其他研究人员适配到他们自己的气候模型中。
注意事项
该方法仅在一个气候模型（PlaSim）和一类事件（中纬度夏季热浪）上得到验证。1000倍的数值是一个远大的上限，更多反映了《物理世界》的报道而非论文本身实测的热浪案例30-300倍节省范围。推广到其他事件类型和更高分辨率模型是下一步的工作。
披露：基于一篇被《物理评论快报》接收的论文。arXiv：2510.27066。DOI：10.1103/b1gc-9c2q。据《物理世界》2026年7月6日报道。
婷 翻译