海洋极端现象（如海洋热浪）的预测和诊断是海洋科学中的重大挑战。尽管近年来机器学习方法在预测技能上取得了显著进步，但这些模型通常被视为黑箱，无法揭示其背后的物理机制。为了突破这一局限，研究人员提出了 OceanCBM——首个面向海洋动力系统时空预测和机械解释的概念瓶颈模型（CBM）。
OceanCBM 的核心创新在于其“混合监督”训练策略。模型被训练以预测混合层热含量——海洋热浪的关键前兆指标，同时通过一个中间层将信息路由到输出。这个中间层由两部分组成：一部分是基于地球物理流体动力学预设的物理概念，另一部分是一个“自由”概念，用于捕获残差过程并正则化概念预测。这种设计使得模型在保持预测性能的同时，能够学习到物理一致且可解释的潜在表示。
研究团队通过多个集合初始化实验验证了 OceanCBM 的有效性。结果表明，采用混合监督的模型能够学习到一致的机械表示，而仅依赖预测目标或仅依赖物理约束的基线模型则表现出高度可变的潜在结构，尽管它们的预测性能相似。这意味着 OceanCBM 在可解释性和性能之间实现了明确的权衡，且并未牺牲预测精度。
这项工作的重要性在于，它为海洋预报领域提供了一种新的工具，使得研究人员不仅能够预测极端事件，还能理解其背后的物理驱动力。OceanCBM 的提出标志着机器学习在海洋科学中从纯预测向可解释诊断迈出了关键一步。论文全文可在 arXiv 获取。