大气物理扩散过程是目前化学传输模型的计算效率瓶颈。它主要以欧拉质量连续性方程为基础，通过有限体积法等数值方法进行求解。随着网格空间分辨率的提高，所需的迭代时间步长缩短，导致计算成本的成倍上升。深度学习技术主要通过跨步长的端对端学习或者移植到图形处理单元的硬件优势来加速计算，然而现有的工作未能较好平衡计算效率、准确性及空间维度三方面的表现。本研究拟通过深度学习模型，对经典化学传输模型的三维物理扩散过程（包括平流和湍流）进行仿真替代，评估基于数据驱动的物理传输模拟的准确性，在此基础上探究基于跨步长和硬件移植各自的加速效果。

       研究结果表明：在单步长下，深度学习模型在两种时间分辨率下模拟浓度差变化R2能大于0.8。从三维空间上表现为随着垂直高度升高R2不断降低，在大气边界层内能保持R2大于0.4，说明模型能够总体模拟污染物在垂直方向上的扩散过程。深度学习模型多步长连续测试结果显示，在一百个单位时间步长内两种时间分辨率的模型在整体浓度R2上仍然能够保持大于0.8，整体效果优于已有研究。同时多步长测试在三维空间和单步长的表现一致，暨高层的模拟稳定性低于低层的模拟稳定性，在第100步时，第一层的浓度R2大于0.9，而第12层的R2仅大于0.3，可能的原因是高层的低浓度背景较边界层高浓度条件的准确建模难度高。

       计算效率提升的测试结果表明，1小时时间步长下深度学习模型相比CMAQ模型的物理模块，深度学习模型的计算速度在1个CPU、4个CPU和1个GPU上能够分别提速5、10、230倍。而5分钟深度学习模型在4个CPU上能够保持和CMAQ物理模块一致的速度，在1个GPU上能够提速20倍。随着网络结果的优化，未来加速效率提升仍然有较大空间。

      本研究初步证明了深度学习模型在模拟污染物的三维复杂扩散过程的可行性，同时在保持计算精度的前提下可以有效提高计算效率。本研究的方法在实现不同物种的快速扩散模拟以及结合化学反应模块实现化学传输加速模拟的研究中具有广阔的应用前景。

      研究成果依托国家自然科学优秀青年基金（大气环境人工智能）和面上项目完成，计算平台依托上海交通大学网络信息中心的思源一号超算，文章在线发布发表于美国AGU组织旗下期刊 Earth and Space Science（IF:3.7，http://doi.org/10.1029/2022EA002338）, 硕士生许俊哲为第一作者，程真为通讯作者，论文题目为“Approximating Three-Dimensional (3-D) Transport of Atmospheric Pollutants via Deep Learning”。