基于Transformer的KPP-DL智能参数化方案：实现CESM中垂直混合过程的高效稳定耦合

针对地球系统模型（ESM）中子网格尺度物理过程参数化存在的精度与效率瓶颈，中国科学院团队提出基于Transformer的KPP-DL方案，通过Fortran-Torch适配器（FTA）将AI模型耦合至CESM。研究表明，该方案在保持KPP（K-profile parameterization）精度的同时，将垂直混合计算效率提升3-5倍，并实现3年稳定模拟，为智能地球系统模型发展提供新范式。

　　

气候模拟的精度与效率一直是地球系统科学领域的核心挑战。传统参数化方案如KPP（K-profile parameterization）虽能平衡计算成本与性能，但受限于物理认知和计算约束。随着AI技术的发展，用神经网络替代参数化方案成为可能，但面临耦合稳定性差、计算资源利用率低等瓶颈。例如，Han等（2022）仅用温度输入简化KPP模拟，但精度不足；Liang等（2022）虽增加输入维度却未验证长期耦合稳定性。这些尝试暴露了AI模型泛化能力不足、耦合技术不成熟等问题。

中国科学院团队通过开发Fortran-Torch适配器（FTA），首次将Transformer架构引入CESM（Community Earth System Model）的垂直混合参数化。研究采用CESM 1.2.2的B_{2000_CAM5_CN}
配置生成训练数据，构建KPP-DL模型替代原KPP方案。关键技术包括：（1）基于CESM运行时数据构建多参数输入集；（2）设计Transformer架构捕捉垂直混合非线性特征；（3）通过FTA实现PyTorch与Fortran的高效耦合；（4）采用GPU加速优化计算流程。

主要研究结果

1. 离线评估：KPP-DL在扩散系数（K_d
   ）、非局地输运系数（K_nl
   ）等关键指标上均方误差（MSE）低于传统方案，成功复现海洋边界层至内部的混合特征。
2. 在线耦合：通过FTA的GPU模式实现3年稳定模拟，太平洋区域温盐模拟结果与KPP一致性达95%以上，验证了长期耦合稳定性。
3. 效率提升：垂直混合计算耗时缩减至原方案的1/3-1/5，首次证明AI参数化在ESM中的实际加速潜力。

结论与意义
该研究突破了AI模型在ESM中"精度-效率-稳定性"的协同优化难题。KPP-DL不仅保持KPP的物理合理性，还通过Transformer架构提升对复杂湍流过程的表征能力。FTA耦合技术为传统数值模型引入AI组件提供通用解决方案，其3年稳定运行为智能地球系统模型（iESM）的工程化奠定基础。未来工作将扩展至更高分辨率模拟及多物理过程耦合，推动气候建模进入"AI增强"新时代。

（注：全文严格依据原文内容，专业术语如KPP-DL、FTA等首次出现时均标注英文全称，模型版本号B_{2000_CAM5_CN}
等下标格式保留，作者单位按要求处理为"中国科学院"）