近日，中国科学技术大学大气科学先进计算实验室(LACAR)赵纯教授团队研发出首个基于多头自注意力机制的人工智能气溶胶化学模型（AIMACI），并成功与大气数值模式耦合，实现气溶胶化学过程的高效精准模拟。这项研究成果以“Toward a learnable Artificial Intelligence Model for Aerosol Chemistry and Interactions (AIMACI) based on the Multi-Head Self-Attention algorithm”为题发表于大气科学领域知名期刊《Atmospheric Chemistry and Physics》。
大气气溶胶是悬浮在空气中的固态或者液态颗粒物，其形态虽然很小，但却可以深刻影响空气质量和气候系统。大气气溶胶的浓度变化受到气溶胶化学过程的显著调控，而完整的气溶胶化学过程呈现出高度的非线性，包括化学反应和相平衡、气粒分配、粒径增长、核化、碰并等多个子过程，通过传统的数值方法来求解其中涉及到的刚性微分方程计算成本高昂。鉴于大气数值模式中模拟该过程所带来的巨大计算挑战，很多研究在开展高分辨率长期模拟中常忽略或简化气溶胶化学过程，引入了较大的偏差。
图1. 人工智能气溶胶化学模型研发流程及框架
如图1所示，研究团队基于数值模拟所产生的训练数据，创新性地将Transformer核心组件——多头自注意力机制应用于气溶胶化学建模，并利用TorchScript和LibTorch工具实现人工智能气溶胶化学模型（AIMACI）的在线耦合，成功构建了混合物理-AI的模式框架。AIMACI模型用于替代传统的气溶胶化学数值方案，能够模拟包括硫酸盐、硝酸盐、铵盐等在内的14个主要的气溶胶成分。相比传统数值方案，AIMACI模型在单个CPU核心上实现了近5倍的计算加速，在单卡GPU上实现了近300倍加速（图2）。
图2. 人工智能气溶胶化学模型加速效果
AIMACI模型在离线单步测试情景下，所有预测变量的平均R2达0.98，平均NMB为3.02%，呈现出与数值方案的高度一致性。在将AIMACI模型耦合到数值模式中的在线连续测试情景下，也准确模拟了不同气溶胶成分浓度的时空分布特征及演变趋势（图3），在四季不同环境的月尺度模拟中也展示出较好的泛化能力。此外，研究发现，台风等训练集中未见过的季节性天气事件对AIMACI模型性能有显著影响，有待未来进一步完善模型泛化能力。本研究的重要突破在于首次利用人工智能模型在数值模式内实现完整气溶胶化学过程的高效、精准模拟，并提供轻量化的在线耦合方案。未来团队将进一步优化AIMACI模型并开展更广泛的时空测试、推动其与各类大气数值模式的耦合，从而改善当前气候模式中过度简化甚至忽略气溶胶-气候相互作用而带来的模拟偏差。
图3.人工智能气溶胶化学模型模拟的不同粒径硫酸盐柱浓度空间分布
以上研究得到了国家重点研发计划、中科院战略先导专项、国家自然科学基金、中国科大双一流基金、崂山实验室创新项目的共同资助。同时中国科学技术大学高性能计算中心、青岛超算中心提供了高性能计算支持。赵纯教授为本研究的通讯作者，博士研究生夏子涵为第一作者。
论文信息
Xia, Z., Zhao, C., Yang, Z., Du, Q., Feng, J., Jin, C., Shi, J., and An, H.: Toward a learnable Artificial Intelligence Model for Aerosol Chemistry and Interactions (AIMACI) based on the Multi-Head Self-Attention algorithm, Atmos. Chem. Phys., 25, 6197–6218, https://doi.org/10.5194/acp-25-6197-2025, 2025.DOI: https://doi.org/10.5194/acp-25-6197-2025
代码开源: https://doi.org/10.5281/zenodo.15702248
来源：“中国科学技术大学大气科学专业”公众号
https://mp.weixin.qq.com/s/YAxdodbqDAQBYF9GKiAYbQ | 
发表于 
