面向大气化学微调AI基础模型的机械可解释性研究

微软Aurora模型被微调用于预测大气化学（空气质量），但研究发现它虽能捕捉臭氧对活性氮的一阶响应，却未强制执行基于过程的化学约束，导致预测中相关物种组合化学不一致，并弱化局部排放特征（如野火烟羽）。模型内部表示仍围绕预训练的气象结构，缺乏化学特异性，其可解释性分析显示内部组件不能映射到单个大气过程。

这是首次对微调后的大气化学基础模型进行机械可解释性研究，揭示高预测精度可能来自统计规律而非真实物理机制。这意味着依赖此类模型进行空气质量管理或污染预警存在系统偏差风险，传统化学传输模型仍不可或缺，AI模型的可靠性需重新评估。

气象基础模型通过自回归滚动生成预报，未显式编码物理/化学过程。研究通过施加受控化学扰动，对比已知光化学关系检验模型响应，同时分析内部表示。Aurora虽能部分反映臭氧与氮氧化物的关系，但无法守恒化学计量、忽略排放特征，说明它学习了统计关联而非因果机制。稀疏自编码器找到的因果组件也不对应特定大气过程。

使用AI空气质量预测的产品（如环境监测平台、污染预警APP）需增加结果校验环节，避免因模型化学不一致产生误导；训练流程应考虑引入物理约束或混合建模；用户信任度可能下降，需向客户解释模型局限性。

• 开发结合物理方程约束的混合空气质量预测模型，在微调时加入化学守恒损失项
• 基于稀疏自编码器构建模型内部状态监测仪表盘，用于预警化学不一致预测
• 针对局部污染事件（野火、工业排放）设计专用校正模块，补偿模型弱化效应

• 其他大气化学基础模型（如GraphCast微调版本）是否也存在类似化学不一致问题？
• 能否通过丰富训练数据（如包含更多化学约束的再分析数据）改善模型对排放特征的保持？
• 如何量化模型预测中化学不一致对空气质量指数等下游应用的实际误差贡献？