地球系统模型通常把大气化学简化为浓缩机理，因为像主化学机理（Master Chemical Mechanism, MCM）这样近显式的机理在每个网格单元中求解的计算成本过高。神经网络模拟器有望突破这一瓶颈，但现有方法大多在极短的时间步长内推进化学演化，只覆盖少数物种或使用简化机理。
本文提出 FNO‑MoE，一种基于 Fourier 神经算子（Fourier Neural Operator, FNO）并结合专家混合（Mixture of Experts, MoE）的模型。它能够在一次前向调用中预测 30 分钟内的完整近显式化学状态，涵盖数千种化学物种。
FNO‑MoE 还能自我引导训练：利用各专家之间的预测分歧度量信息量，主动挑选最具代表性的盒模型模拟作为训练样本。与随机或均匀采样相比，同等计算成本下，这种主动采样显著提升了模拟精度。
在更长的时间轨迹上进行微调，使模型在多小时的运行中保持稳定；相反，仅在短时模拟上训练的模型会出现发散。最终的模拟器能够高保真再现数千种物种的演化，对未见过的化学组成同样保持准确，并且比传统数值求解器快数个数量级。
这些成果为复杂大气系统的模拟开辟了新方向：神经算子能够在较长时间窗口内直接预测完整化学状态，并自行决定训练数据的采集方式。下一步工作将聚焦于在变化的气象条件下进行训练，以实现近显式化学在完整地球系统模型中的落地。
点评