GraphCast中大气河流的机制可解释性

arXiv:2610.07583v1 公告类型：新 摘要：尽管AI天气模型如今已可与业务预报相媲美，但它们如何在内部表征大气仍是一个悬而未决的问题：特征归因能够揭示哪些输入模式很重要，却无法说明模型计算了什么，或如何在内部组合信息。我们在GraphCast上训练稀疏自编码器（SAE），以揭示其学习到的概念，并以大气河流作为研究现象。标准SAE和Matryoshka SAE都表明，GraphCast将大气河流强度（以积分水汽输送量（IVT）衡量）作为一个稳定的内部变量进行计算，尽管IVT既不是输入，也不是目标。与标准SAE无结构的概念检索不同，Matryoshka SAE按照重要性对概念进行排序，并揭示它们之间的关系。大气河流概念在不同深度之间持续存在，直接干预也证实了其因果性。该方法提供了一种发现内部变量并确定模型实际依赖哪些变量的途径，而这是进一步探究这些变量在变暖气候下、随着该现象发生变化时是否仍具意义的先决条件。