黑碳（BC）混合态对BC气候效应评估非常重要，但气候模式中BC混合态的模拟却很困难。在地球系统模式（CESM）的四模态气溶胶模块（MAM4）中，各模态内部假设所有气溶胶颗粒都具有相同的成分（即完全内部混合），因此，积聚模态中的所有气溶胶都被视为含BC颗粒。由于缺乏考虑不含BC的颗粒，MAM4可能高估了BC和非BC成分的混合，并导致含BC颗粒中非BC成分与BC的质量比（R_BC）非常大。我们将基于粒子解析的气溶胶模式（PartMC-MOSAIC）训练的机器学习模型应用到CESM中对BC混合态指数（χ）进行了在线模拟，然后我们使用χ来优化R_BC的模拟，并把优化后的R_BC应用于改进BC的云凝结核（CCN）活化过程。我们的结果表明，基于机器学习的χ的在线模拟结果与观测基本一致，也与以前研究中基于机器学习的离线诊断的χ基本一致。相比机器学习的χ，默认的MAM4方案高估了χ，即高估了BC和非BC成分的混合程度。进一步地，使用机器学习的χ优化后的R_BC在全球范围内下降了约50%-60%，且更接近观测值。并且，优化的R_BC的分布规律也与观测有良好的一致性：R_BC通常随海拔高度下降；地表R_BC大小与排放源密切相关，即在以化石燃料为主的源区R_BC通常较小，在以生物质燃烧为主的源区R_BC较大。由于优化的R_BC显著减小（即BC相对包裹厚度变薄），含BC气溶胶的吸湿性明显下降，这进一步降低了含BC气溶胶的CCN活性。最终，相比默认的MAM4，我们模拟的全球平均BC负荷增加了约4%，其中BC质量浓度的增加主要发生在地表，且在北半球高纬度地区最为显著，达到了25%-100%，这有助于改善模式对北半球高纬度地区地表BC浓度的低估。总之，这项工作通过将机器学习模型应用到全球气候模式，改进了BC混合态的模拟，并进一步揭示了改进BC混合态对BC包裹层厚度、CCN活性和BC负荷模拟的影响。

BC混合态,机器学习,气候模式,CCN活化