8 月 27 日，arXiv 上线预印本《Dandelion: A Spherical Flower for Neural Simulation of Planetary Dynamics》。研究者 Till Muser、Giovanni Abati 与 Ivan Dokmanić 提出一种直接在球面上求解偏微分方程（PDE）的神经网络方法。它通过预测坐标变换（warp），把特征沿球面的大圆（测地线）搬运，以此交换不同位置的信息，不使用卷积、注意力或傅里叶层来完成这一步。论文同时发布七套球面 PDE 评测数据，作者报告 Dandelion 在每个数据集上都是最优或次优，并且随着分辨率提高，相对不采用坐标变换的对照方法，优势进一步扩大。
平面网格用于球面，会扭曲距离与面积
天气、海洋、行星大气这些过程天然定义在球面 S² 上，但主流科学机器学习工具箱默认的是平面欧氏网格。把欧氏架构硬套到经纬网格（lat–lon grid）上会引入几类系统性误差：
- 经纬网格是等角而非等面积的：靠近两极的网格单元实际面积按 sin θ 缩小，笛卡尔卷积在高纬度被"压扁"。
- 傅里叶神经算子（FNO）里的 2D FFT 假设平面双周期（环面），但经纬网格不是环面——最上一行不会绕回最下一行。
- ViT 的笛卡尔位置编码把球面上的测地距离扭曲成平面距离。
论文作者认为，扩大模型并不能自动解决这些问题。模型可能记住随纬度变化的强迫模式，却没有学会在球面旋转后仍然成立的流体物理规律。
方法：用坐标变换代替卷积
Dandelion 是 Flower 架构的球面版。Flower 是作者团队今年早些时候提出的 warp-based 求解器，它通过多头坐标变换完成空间信息混合：每个头预测一个逐像素位移场，再从位移后的位置采样特征，计算成本随网格规模线性增长，不含傅里叶层、注意力或卷积。据 Dandelion 论文转述，17M 参数的 Flower 已在 The Well 与 PDEBench 的 16 个 2D/3D benchmark 上超过同规模的谱、卷积、注意力基线。
问题在于 Flower 的几个基本操作依赖平面几何：像素位移对应着随纬度变化的弧长；周期 padding 在经纬网格上不成立；步长 2×2 池化的方形感受野物理范围也随纬度变化。Dandelion 将这些受网格影响的操作改为直接适用于球面 S² 的形式。
第一处是切平面 warp。模型在查询点 p 的切平面 T_p S² 上预测位移（北向、东向两个分量），再用指数映射——在球面上可写为罗德里格斯公式——把切向量沿大圆旋转回球面。因为切向量的模等于沿测地线走过的弧长，warp 距离与纬度无关，感受野不再受参数化畸变影响。
第二处是球谐域池化。分层池化分两步：先把特征投影到带限子空间，即通过低通滤波保留较低频率的信息，再在粗网格上取值。球谐是 S² 上拉普拉斯–贝尔特拉米算子的本征基，每个 ℋ_ℓ 都是旋转群 SO(3) 的不可约表示，因此谱截断与旋转作用交换——分辨率变化按构造保持旋转对称。相比之下，经纬网格上的步长池化既不旋转等变，其池化模板在赤道与两极覆盖的物理面积也相差数量级。
这样得到的 U-Net 结构里没有卷积：空间混合完全由 warp 完成，唯一剩下的"卷积形状"算子是一层在每个位置线性混合通道的操作。球谐变换用 torch-harmonics 实现（因等角节点的离散球谐变换在 Nyquist 度处不精确，该投影实现上是近似的）。
七套模拟数据，供研究者快速比较不同模型
作者还发布了一套评测基准，用来补充现有球面数据集的空缺：一边是几个过于简化的问题（如无地形的受迫二维浅水方程），不足以区分方法；另一边是 ERA5 这类运行级再分析数据（经 WeatherBench 2），单次超参数搜索就可能耗掉数千 GPU-天，无法用于架构调试。新基准希望兼顾两者：覆盖足够多样的物理过程，以比较不同架构，同时控制数据规模，让模型能在几小时内从零完成训练。
七套数据集包括：
- barotropic-jets：双半球 Galewsky 急流，随机旋转以迫使模型从演化中推断科里奥利力，而非背下固定网格；
- active-turbulence：反常"反铁磁"涡旋链湍流，一种没有平面对应的闭流形效应；
- cahn-hilliard：双组分相分离，考验四阶双调和算子和全局质量守恒；
- shock-caps：浅水黎曼问题，多个测地圆帽产生的激波在球面上碰撞、聚焦；
- dry-atmosphere-3D：Held–Suarez 干大气环流；
- global-ocean-3D：100 年全球海洋模拟；
- 加上 The Well 的 planetswe。
高分辨率下相对误差优势扩大，速度仍慢于 FNO
在 20M 参数对齐的条件下，与 FNO、SFNO、局部 R²/S² 邻域 transformer 及平面版 Flower2D 相比，Dandelion 在 7 个数据集的单步预测上 6 个最优，20 步连续预测（rollout）上 5 个最优，且处处都是最优或次优。球面 warp 相对平面 Flower2D 的增益在 rollout 上最清楚：planetswe 误差降到约 1/1.6，shock-caps 约 1/1.5，barotropic-jets 约 1/1.8，active-turbulence 约 1/4.5。
提高分辨率后，方法之间的差距进一步显现：在 256×512 分辨率下，单步预测与 rollout 的前两名都是 Dandelion 和 Flower2D，对非 warp 基线的领先随分辨率提高而扩大。计算吞吐量也影响这些方法能否实用。S² 邻域 transformer 在 128×256 及以上分辨率比 FNO 慢 30–40 倍，R² 邻域 transformer 慢 5–6 倍，而 Dandelion 约慢 2.2–2.6 倍。因此，在高分辨率任务中，除了比较参数量和预测误差，还需要考察模型的计算吞吐量。
尚未验证业务级分辨率与更长时间的预测稳定性
这是一篇未经同行评审的预印本，所有性能数字都是作者自己的实验结论，尚无第三方复现。论文自述的限制同样重要：分辨率上限 256×512（约 0.7°），而运行级天气模型已到 0.25°（720×1440）；训练只在损失里展开最多两步自回归，20 步以上的稳定性和漂移没有测量；benchmark 本身是合成的，作者也承认在这些问题上表现好只是天气模型的"必要非充分条件"。
Dandelion 展示了仅用坐标变换在球面上混合信息的可行性，也提供了一套能在几小时内比较架构的评测数据。下一步需要验证，它能否扩展到 0.25° 的 ERA5 尺度，以及更长时间的连续预测能否保持稳定。这两项结果将决定它距离实际天气与海洋业务还有多远。
