論文の概要: Marchuk: Efficient Global Weather Forecasting from Mid-Range to Sub-Seasonal Scales via Flow Matching

• arxiv url: http://arxiv.org/abs/2603.24428v1
• Date: Wed, 25 Mar 2026 15:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.365427
• Title: Marchuk: Efficient Global Weather Forecasting from Mid-Range to Sub-Seasonal Scales via Flow Matching
• Title（参考訳）: Marchuk:フローマッチングによる中距離から亜季節スケールへの効率的な地球天気予報
• Authors: Arsen Kuzhamuratov, Mikhail Zhirnov, Andrey Kuznetsov, Ivan Oseledets, Konstantin Sobolev,
• Abstract要約: 正確な海底気象予報は、大気の本質的にカオス的な性質のため、依然として大きな課題である。 本研究では,地球規模の気象予報モデルであるtextit Marchuk について述べる。
• 参考スコア（独自算出の注目度）: 5.10683640817611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate subseasonal weather forecasting remains a major challenge due to the inherently chaotic nature of the atmosphere, which limits the predictive skill of conventional models beyond the mid-range horizon (approximately 15 days). In this work, we present \textit{Marchuk}, a generative latent flow-matching model for global weather forecasting spanning mid-range to subseasonal timescales, with prediction horizons of up to 30 days. Marchuk conditions on current-day weather maps and autoregressively predicts subsequent days' weather maps within the learned latent space. We replace rotary positional encodings (RoPE) with trainable positional embeddings and extend the temporal context window, which together enhance the model's ability to represent and propagate long-range temporal dependencies during latent forecasting. Marchuk offers two key advantages: high computational efficiency and strong predictive performance. Despite its compact architecture of only 276 million parameters, the model achieves performance comparable to LaDCast, a substantially larger model with 1.6 billion parameters, while operating at significantly higher inference speeds. We open-source our inference code and model at: https://v-gen-ai.github.io/Marchuk/
• Abstract（参考訳）: 正確な海底気象予報は、大気の本質的にカオス的な性質のために依然として大きな課題であり、これは中距離地平線(約15日)を超えて従来のモデルの予測能力を制限する。 本研究では,地球規模の気象予報モデルである「textit{ Marchuk}」について述べる。 マルクークの現在の気象図の条件と自己回帰予測は、学習された潜伏空間内の後の日の気象図を予測している。 我々は、回転位置エンコーディング(RoPE)をトレーニング可能な位置埋め込みに置き換え、時間的コンテキストウィンドウを拡張することにより、潜時予測時の長距離時間依存性を表現および伝播するモデルの能力を高める。 Marchukには、高い計算効率と強力な予測性能の2つの大きな利点がある。 2億7600万のパラメータしか持たないコンパクトなアーキテクチャにもかかわらず、このモデルは160億のパラメータを持つかなり大きなモデルであるLaDCastに匹敵する性能を達成し、推論速度は大幅に高い。 私たちは推論コードとモデルを、https://v-gen-ai.github.io/ Marchuk/でオープンソース化しました。

関連論文リスト

• AtmosMJ: Revisiting Gating Mechanism for AI Weather Forecasting Beyond the Year Scale [4.8951183832371]
  本研究では,ERA5データを球面再マッピングなしで直接操作する深層畳み込みネットワークを提案する。 以上の結果から,AtmosMJは約500日間,安定かつ物理的に妥当な予測が得られた。
  論文  参考訳（メタデータ） (2025-06-11T13:38:56Z)
• LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting [1.2277343096128712]
  我々は中距離アンサンブル予測のための最初のグローバル潜在拡散フレームワークであるLaDCastを紹介する。 LaDCastは学習された潜在空間で、時間ごとのアンサンブル予測を生成する。 LaDCastはEuropean Centre for Medium-Range Forecast IFS-ENSに近い決定的および確率的スキルを達成している。
  論文  参考訳（メタデータ） (2025-06-10T19:17:14Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• 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)

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。