极端天气事件的建模计算强度很大。模拟一场百年一遇的热浪，即使生成一个样本，至少需要100年的模拟时间。在高分辨率气候模型中，即便使用超级计算机，此类模拟所需的计算时间和能源成本也要以月或年为单位计算。
芝加哥大学、法国国家科学研究中心巴黎分校和纽约大学的研究人员开发了一种降低这一成本的方法。他们的AI增强稀有事件采样框架（AI+RES）已被《物理评论快报》接收发表。该框架将深度学习天气模拟器与轨迹分割算法相结合，可将极端热浪统计特征描述所需的计算资源降低多达1000倍。
工作原理
该框架由两个部分组成。第一部分是AI天气模拟器，一个基于气候模型输出训练的深度神经网络，能够以接近零的计算成本运行集合预报。该模拟器作为”评分函数”，预测哪些模拟轨迹最有可能导致极端事件。
第二部分是轨迹分割稀有事件采样方法。在设定的重采样时间点，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物理气候模型（本例中为PlaSim）进行高保真模拟。
AI组件解决了稀有事件采样中长期存在的问题：设计良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，对于热浪等短期极端事件尤为困难。AI能够从气候模型输出中自动学习评分函数。
性能验证
研究团队在两个地区（法国和美国中西部）的中纬度热浪上测试了AI+RES。该框架以更低的成本再现了长期PlaSim模拟的基准统计结果。
没有AI增强的标准稀有事件采样在最罕见的事件上完全失败，无法生成哪怕一个最极端热浪的样本。没有物理组件的纯AI模型结果不准确，且无法外推到训练数据之外，这是纯数据驱动天气预报的局限性。
报道该结果的Physics World文章称，该方法实现了”高达1000倍”的计算节约。论文本身报告在PlaSim热浪验证中成本降低了30到300倍，较高的数字反映了AI+RES组合的效果。这一差异反映了面向普通读者的易懂约数与具体测量范围之间的区别。
该方法既能提供准确的统计数据，也能提供对极端事件驱动机制的物理洞察，这意味着它不仅可用于预测热浪频率，还可用于理解热浪发生的原因。
重要意义
气候模型正变得更加精细，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，进而限制了他们对虽罕见但具有破坏性的极端事件概率的估计能力。
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。模型不再依赖有限数据的统计外推，而是能够以当前成本的一小部分直接模拟数千年的极端事件。
作者们，共同第一作者Amaury Lancelin（CNRS/ENS巴黎）和Alexander Wikner（芝加哥大学），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（纽约大学），已将AI+RES代码公开，供其他研究人员将其适配到自己的气候模型中。
局限性
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倍的数字是一个理想化的上限，更多地反映了Physics World的报道而非论文本身报告的测量范围（热浪案例中节约30-300倍）。推广到其他事件类型和更高分辨率模型是下一步工作。
披露：基于已被《物理评论快报》接收的论文。arXiv：2510.27066。DOI：10.1103/b1gc-9c2q。通过Physics World于2026年7月6日报道。
婷 翻译