海洋極端現象（如海洋熱浪）的預測和診斷是海洋科學中的重大挑戰。儘管近年來機器學習方法在預測技能上取得了顯著進步，但這些模型通常被視為黑箱，無法揭示其背後的物理機制。為了突破這一侷限，研究人員提出了 OceanCBM——首個面向海洋動力系統時空預測和機械解釋的概念瓶頸模型（CBM）。
OceanCBM 的核心創新在於其“混合監督”訓練策略。模型被訓練以預測混合層熱含量——海洋熱浪的關鍵前兆指標，同時透過一箇中間層將資訊路由到輸出。這個中間層由兩部分組成：一部分是基於地球物理流體動力學預設的物理概念，另一部分是一個“自由”概念，用於捕獲殘差過程並正則化概念預測。這種設計使得模型在保持預測效能的同時，能夠學習到物理一致且可解釋的潛在表示。
研究團隊透過多個集合初始化實驗驗證了 OceanCBM 的有效性。結果表明，採用混合監督的模型能夠學習到一致的機械錶示，而僅依賴預測目標或僅依賴物理約束的基線模型則表現出高度可變的潛在結構，儘管它們的預測效能相似。這意味著 OceanCBM 在可解釋性和效能之間實現了明確的權衡，且並未犧牲預測精度。
這項工作的重要性在於，它為海洋預報領域提供了一種新的工具，使得研究人員不僅能夠預測極端事件，還能理解其背後的物理驅動力。OceanCBM 的提出標誌著機器學習在海洋科學中從純預測向可解釋診斷邁出了關鍵一步。論文全文可在 arXiv 獲取。