气溶胶的微观物理特性是决定其宏观气候影响的关键。然而，传统气候模式受限于计算成本，往往采用均匀混合假设和固定表面张力，难以真实刻画气溶胶混合态与表面张力的动态变化，从而给气溶胶吸光能力和云凝结核活性的模拟带来偏差。
针对黑碳气溶胶包裹程度（R_BC）在单颗粒间的显著非均一性，本研究基于高精度粒子解析模型（PartMC-MOSAIC）生成的海量训练数据，开发了一个机器学习模拟器，用于预测R_BC的概率密度分布。通过分析模拟结果，我们识别出长尾分布、双峰分布和单峰分布三种典型模式，分别对应黑碳的早期老化、过渡期老化和晚期老化阶段，并采用Gamma、双高斯和高斯函数分别进行参数化。将该模拟器耦合至全球气候模式（CESM/CAM6），我们首次实现了对R_BC非均一性的全球诊断。结果表明，三种分布模式在全球呈现出显著的空间分异，与气溶胶化学组成和老化程度密切相关，且模拟结果与实地观测高度吻合。
气溶胶表面张力是决定其云凝结核（CCN）活性的另一关键参数，但传统气候模式通常采用固定值（0.076 N/m），忽略了有机组分对表面张力的动态降低效应。本研究基于PartMC-MOSAIC的模拟数据，训练了一个机器学习模型，用于在线预测不同模态（爱根核、积聚、粗模态）气溶胶的有效表面张力，并将其耦合至CESM/CAM6。模拟结果显示，在有机质丰富的区域（如生物质燃烧带、城市污染区），表面张力可显著降低，进而导致临界过饱和度下降，尤其对小粒径、高有机含量的颗粒影响最为明显。与固定表面张力相比，机器学习预测的CCN浓度在有机质主导区域显著提升。
以上两项工作共同构建了从粒子解析模型向全球气候模式传递微观物理信息的桥梁，为在气候模式中刻画气溶胶混合态非均一性与表面张力动态变化提供了高性能、可扩展的AI模拟器。
 

机器学习，气溶胶混合态，表面张力，气候模式