计算效率低下是空气质量模型的一大突出问题。由于第三代空气质量模型大多采用欧拉三维网格模型，通过时间、网格和过程分离数值求解气体连续性偏微分方程。当空气质量模拟的网格分辨率较高或模拟时段较长时，通过增加CPU核数并行加快计算速率会遇到瓶颈，总体计算消耗时间较长。当涉及污染物源追踪解析、排放控制海量情景方案筛选等方面应用时，计算效率低下的问题显得尤为突出，直接成为整个工作的瓶颈。在计算消耗时间的模块分担中，气相化学模块因为涉及刚性常微分方程组的数值求解，消耗时间约为整个空气质量模拟耗时的50-95%，成为瓶颈中的卡脖子环节。

       针对空气质量模型计算效率低的问题，利用深度学习的残差神经网络对数值模块进行学习，通过截取在实际空气质量模拟时调用气相化学模块前后的输入—输出数据集，重构气相化学求解仿真器。一个月的连续运行评估结果表明，102个物种的R2大于0.90，137个物种的NMB绝对值低于30 %；在计算效率提升上，相比CMAQ模型的气相化学求解器，深度学习仿真器对气相化学模块的计算速度在1个CPU和1个GPU上分别提高了10.6和85.2倍，大幅度提升了空气质量模型的计算效率。该研究的思路和方法亦可应用于部署物种数和化学反应数更庞大的准特定化学机理，突破目前归纳化学机理不能模拟挥发性有机物具体物种的限制。

     文章在线发布发表于Atmospheric Pollution Research（IF:3.5，https://doi.org/10.1016/j.apr.2021.101079）,硕士生柳畅为第一作者。论文题目为“Emulation of an atmospheric gas-phase chemistry solver through deep learning: Case study of Chinese Mainland”，相关组件及代码已在GitHub上共享：https://github.com/hazenet-cn/EBI_DLemulator