针对大气化学微调的人工智能基础模型的机械可解释性

天气预报基础模型 (FM) 越来越精细地预测空气质量，以比传统化学品传输模型更低的计算成本提供快速的全球污染预测。这些 FM 通常接受再分析数据的训练，并通过自回归预测轨迹生成预测。它们没有明确代表控制物理或化学过程。因此，高预测技能并不能揭示模型是否已经学习了物理机制或利用了训练数据中的统计规律。在这里，我们首次研究了针对大气化学进行微调的 FM 通过检查 Microsoft 的 Aurora 模型所学到的知识。我们对其预测施加受控的化学扰动，并根据已知的光化学关系对其进行测试。然后我们检查生成这些预测的内部表征。我们发现 Aurora 捕获了臭氧对活性氮的一阶响应，但没有强制执行基于过程的模型编码的化学约束。它会产生化学上不一致的相关物种组合，并放宽局部排放特征，例如野火羽流朝向背景。在内部，其表示仍然主要围绕预训练期间继承的气象学进行组织，几乎没有化学特定的结构。使用稀疏自动编码器，我们识别了因果控制化学预测但不能清晰地映射到单个大气过程的内部组件。这项工作提供了一个框架，用于测试人工智能预报系统是否从再分析数据中学习大气化学。随着这些模型越来越多地为环境政策决策提供信息，我们认为成分预测也应该根据其内部机制而不是仅根据基准技能来判断。