論文の概要: ArchesWeather & ArchesWeatherGen: a deterministic and generative model for efficient ML weather forecasting

• arxiv url: http://arxiv.org/abs/2412.12971v1
• Date: Tue, 17 Dec 2024 14:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:57:46.922558
• Title: ArchesWeather & ArchesWeatherGen: a deterministic and generative model for efficient ML weather forecasting
• Title（参考訳）: ArchesWeather & ArchesWeatherGen:効率的なML天気予報のための決定論的・生成モデル
• Authors: Guillaume Couairon, Renu Singh, Anastase Charantonis, Christian Lessig, Claire Monteleoni,
• Abstract要約: 本稿では,確率論的気象モデルの設計において決定論的気象モデルを活用する手法を提案する。 我々の研究は、気象予報研究における決定論的および生成的機械学習モデルの利用を民主化することを目的とする。
• 参考スコア（独自算出の注目度）: 11.561776315905357
• License:
• Abstract: Weather forecasting plays a vital role in today's society, from agriculture and logistics to predicting the output of renewable energies, and preparing for extreme weather events. Deep learning weather forecasting models trained with the next state prediction objective on ERA5 have shown great success compared to numerical global circulation models. However, for a wide range of applications, being able to provide representative samples from the distribution of possible future weather states is critical. In this paper, we propose a methodology to leverage deterministic weather models in the design of probabilistic weather models, leading to improved performance and reduced computing costs. We first introduce \textbf{ArchesWeather}, a transformer-based deterministic model that improves upon Pangu-Weather by removing overrestrictive inductive priors. We then design a probabilistic weather model called \textbf{ArchesWeatherGen} based on flow matching, a modern variant of diffusion models, that is trained to project ArchesWeather's predictions to the distribution of ERA5 weather states. ArchesWeatherGen is a true stochastic emulator of ERA5 and surpasses IFS ENS and NeuralGCM on all WeatherBench headline variables (except for NeuralGCM's geopotential). Our work also aims to democratize the use of deterministic and generative machine learning models in weather forecasting research, with academic computing resources. All models are trained at 1.5{\deg} resolution, with a training budget of $\sim$9 V100 days for ArchesWeather and $\sim$45 V100 days for ArchesWeatherGen. For inference, ArchesWeatherGen generates 15-day weather trajectories at a rate of 1 minute per ensemble member on a A100 GPU card. To make our work fully reproducible, our code and models are open source, including the complete pipeline for data preparation, training, and evaluation, at https://github.com/INRIA/geoarches .
• Abstract（参考訳）: 天気予報は、農業や物流から再生可能エネルギーの出力予測、極端な気象イベントの準備まで、今日の社会において重要な役割を担っている。 ERA5の次の状態予測目標で訓練された深層学習天気予報モデルは、数値的グローバル循環モデルと比較して大きな成功を収めている。 しかし、幅広い応用において、将来の気象状態の分布から代表的なサンプルを提供できることは極めて重要である。 本稿では,確率的気象モデルの設計において決定論的気象モデルを活用する手法を提案する。 はじめに、超制限的帰納的先行を除去することでパング・ウェザーを改善する変圧器に基づく決定論的モデルである「textbf{ArchesWeather}」を紹介した。 次に,最新の拡散モデルであるフローマッチングに基づいて,確率論的気象モデル「textbf{ArchesWeatherGen}」を設計し,ERA5気象状態の分布にアーチスウェザーの予測を投影するように訓練する。 ArchesWeatherGen は ERA5 の真の確率的エミュレータであり、すべての WeatherBench の見出し変数上で IFS ENS と NeuralGCM を上回っている。 本研究は,気象予報研究における決定論的・生成的機械学習モデルの利用を,学術計算資源で民主化することを目的とする。 すべてのモデルは1.5{\deg}解像度でトレーニングされており、ArceWeatherのトレーニング予算は$\sim$9 V100日、ArceWeatherGenのトレーニング予算は$\sim$45 V100日である。 ArchesWeatherGenは、A100 GPUカード上で、アンサンブルメンバ毎の15日間の天気トラジェクトリを生成する。 私たちの作業を完全に再現可能にするため、私たちのコードとモデルはオープンソースで、データ準備、トレーニング、評価のための完全なパイプラインがhttps://github.com/INRIA/geoarches.comで公開されています。

関連論文リスト

• CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification [25.325450602084484]
  CoDiCastは、正確なグローバル気象予測を生成する条件拡散モデルである。 80GBメモリのコモディティA100マシンでは、3日間のグローバルな天気予報を5変数以上で6時間歩数5.625円で生成できる。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• ArchesWeather: An efficient AI weather forecasting model at 1.5° resolution [12.404004942884523]
  そこで,Pangu-Weatherの3次元局所処理は計算的に準最適であることを示す。 2次元アテンションとカラムワイズアテンションに基づく特徴相互作用モジュールを組み合わせたトランスフォーマーモデルArchesWeatherを設計する。 ArchesWeatherは1.5degの解像度と24hのリードタイムでトレーニングされている。
  論文  参考訳（メタデータ） (2024-05-23T13:11:49Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
  本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。 モデルの精度は、現在の最先端技術と併用するのに十分である。
  論文  参考訳（メタデータ） (2020-08-25T02:41:32Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。