本篇论文一样由google的研究发表，包含以下几点特点
1.
相较于graphcast直接对数据拟合，此模型同时采用物理核心与神经网络，预测过程受
ODE等物理条件限制，并采用类似数值模式的时间积分型式。

2.
模型输入包含外力(地形、时间、经纬度、太阳辐射、海冰密集度、海表温度、随机噪
声及ERA5，由于使用sigma座标，采用神经网络滤除重力波。

3.
训练预报时长由6小时延长到3-5天，并用于气候预报，对于长期预报特征的模糊性有
较好的改善(大气河流)

4.误差表现

总结:
NeuralGCM最大的不同是以动力框架提供的物理关系为核心，进而从源头上解决了AI模
型的最大问题：物理一致性。
可以像数值模式一样根据空间分辨率设置相应的时间积分步长。即使是神经网络部分
，也可以说拟合的是物理过程而不是统计关系。
保证输出的大气环流具备物理可解释性，与观测到的天气、气候现象始终保持一致。
在物理方程的约束下，仅用3~5天预报时间的数据即可训练出在几十年模拟上保持稳定
的模型。
由于其监督学习的本质没有改变，其中仍然存在一些问题：
仍然以ERA5为基准训练模型。类似数值模式的动力框架置入NeuralGCM后，要超越数值
模式的预报，某种程度上其成功的核心仍然是替代参数化方案的神经网络部分。同时
，ERA5也依赖数值模式，则NeuralGCM的学习目标其实限于ERA5对观测的同化。换句话
说，NeuralGCM的本质仍然是利用神经网络拟合观测，且上限仍受同化效果的约束。
仍存在大量“魔法数字”的设置。如不同变量损失的平衡，参数化方案输出的放缩，
不同损失项的权重等。这些参数的影响很难评估。当然，对于次网格尺度过程而言，
这些经验性超参数即使在数值模式中也不可避免。
进一步，我们可以从不同角度理解NeuralGCM的设计：
从AI角度，NeuralGCM将代表物理过程的基本方程组嵌入神经网络，训练出受物理约束
的AI预报模型。
从数值模式角度，则是用神经网络代替数值模式中的参数化方案。
甚至，我们可以将NeuralGCM中的神经网络视作“订正模型”，只是将订正直接嵌入
数值模式的时间积分过程中，针对每一步的结果订正，而不是订正最终的输出。
参考资料:
https://blog.csdn.net/qq_33431368/article/details/135143616
https://arxiv.org/abs/2311.07222