扩散引导校准 17 个气候模型,温度极端预测偏差减半以上
StephanMandt · x · 2026-11-17
Stephan Mandt 团队发布预印本论文:用条件扩散模型作为生成式模拟器,在 17 个 CMIP6 模型与 ERA5 再分析数据上训练,通过扩散引导将各模型分布"拉向"观测数据,以降低气候预测偏差。
关键结果:
- 在 17 个合成目标上,引导使日温度第 1/99 百分位(极端温度)的中位偏差减半以上
- 全球年均温 RMSE 在三种排放情景下降低 32–57%
- 引导强度用"完美模型实验"(扣留模拟未来)自动调节;观测影响随预测时限和强迫增强而减弱
- 高效采样可生成大 ensemble,无需额外气候模拟;在概率评分上优于传统偏差校正方法
「研究」频道最新
- 投资机构撰文解释押注 Demis Hassabis 创办的 Isomorphic Labs — aleximm · 2026-11-17
- Maldacena 等顶级物理学家谈 AI:谁产生知识不重要 — binarybits · 2026-11-17
- 伯克利博士生推出 FrontierCS 2,让 AI 智能体盲测挑战已发表论文 — arena · 2026-11-17
- 统计学家:一个月三次异常事件,足以拒绝低基准率假设 — wfithian · 2026-11-17
- Isomorphic Labs 融资 50 亿美元,六个月内第二笔巨额轮 — The Decoder · 2026-11-17
- Google 论文 EfficientSkill:两阶段裁剪 agent 技能,输出 token 最多省 80% — dair_ai · 2026-11-17