摘要

得益于深度学习技术的显著进展，学术界已涌现出一系列基于深度学习的气候建模研究。尽管大多数现有方法采用循环神经网络（RNN）和/或图神经网络（GNN），本文提出了一种基于两个新概念的新型气候模型：神经常微分方程（Neural Ordinary Differential Equation, NODE）与扩散方程。扩散方程能够有效描述涉及粒子布朗运动的多种物理过程，因此在气候建模中被广泛应用。另一方面，神经常微分方程（NODE）旨在从数据中学习隐含的常微分方程（ODE） governing equation。在本文提出的框架中，我们将这两种思想融合为统一的建模体系，并引入一个新概念——神经扩散方程（Neural Diffusion Equation, NDE）。所提出的NDE模型结合了扩散方程与一个额外的神经网络，用于建模系统内在的不确定性，从而能够学习到最适配给定气候数据集的隐含控制方程。在两个真实世界数据集和一个合成数据集上，与十一个基线方法进行对比的实验结果表明，本方法在各项指标上均稳定且显著优于现有方法。