Студент выучил физику по учебнику и сдаёт экзамен. Первые две задачи он решает блестяще, а на третьей ошибается в том, чего в учебнике не было. Примерно так выглядит испытание модели атмосферы NeuralGCM, которую прогнали через три уровня проверки: циклоны, Эль-Ниньо и аномальное потепление.

Модель сочетает физическое ядро с машинным обучением, которое заменяет дорогие вычисления мелких процессов. Вместо того чтобы считать каждое облачко, нейросеть учится на данных о погоде за 2001–2018 годы. Затем её спрашивают о том, чего в этих данных не было, например о равномерном нагреве океана на 4 градуса. Так проверяют, усвоила ли модель физику, а не просто запомнила статистику.

Эль-Ниньо модель тоже узнаёт, а вот при равномерном потеплении глобальная температура растёт на 0,86 градуса на градус нагрева океана, что близко к классическим моделям. Но в верхней тропосфере и нижней стратосфере модель даёт избыточное охлаждение в тропиках и избыточное потепление в полярных областях. Из-за этого струйное течение не сдвигается к полюсу так, как в физических моделях. Причина проста: модель не получала на вход концентрации углекислого газа и озона, поэтому её стратосферный отклик нефизичен.

Студент, выучивший физику по учебнику, сдал экзамен, но не на отлично. NeuralGCM показала, что гибридные модели способны обобщаться за пределы обучающих данных, чего не удавалось чисто нейросетевым моделям. Но ошибки в стратосфере напоминают: прежде чем доверять таким моделям климатические проекции, нужно понять, какой минимум физики им необходим. Экзамен продолжается.