本文提出了 PACER（基于物理信息的不确定性感知气候模拟器），旨在解决基于物理的数值气候模型的计算密集型挑战，使其成为评估气候变化影响和预测未来气候情景的有效工具。PACER 是一个相对轻量级的模型，拥有 210 万个参数，并基于多种空间分辨率和基于物理的气候模型进行训练。它能够真实可靠地模拟 10 年期间多个地表层面的温度场。PACER 融合了对流的基本物理定律，并利用以负对数似然目标训练的自回归 ODE-SDE 框架，从而能够对随机变异进行原则性不确定性量化。我们展示了 PACER 在 20 个气候模型中的模拟性能，其性能优于相关基准模型，并推进了将显式物理融入机器学习模拟器的进程。
