論文の概要: U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster

• arxiv url: http://arxiv.org/abs/2604.09041v1
• Date: Fri, 10 Apr 2026 07:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.739812
• Title: U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster
• Title（参考訳）: U-Cast:驚くほどシンプルで効率的なフロンティア確率AI天気予報機
• Authors: Salva Rühling Cachay, Duncan Watson-Parris, Rose Yu,
• Abstract要約: 標準のU-Netバックボーン上に構築された確率予測器であるU-Castを紹介する。 我々のモデルは、GenCast と IFS ENS の確率的スキルと1.5ドル円の解像度で一致または超えます。 U-Castは12H200GPU日以下のトレーニングを行い、11秒で60ステップのアンサンブル予測を生成する。
• 参考スコア（独自算出の注目度）: 27.767243624749085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-based weather forecasting now rivals traditional physics-based ensembles, but state-of-the-art (SOTA) models rely on specialized architectures and massive computational budgets, creating a high barrier to entry. We demonstrate that such complexity is unnecessary for frontier performance. We introduce U-Cast, a probabilistic forecaster built on a standard U-Net backbone trained with a simple recipe: deterministic pre-training on Mean Absolute Error followed by short probabilistic fine-tuning on the Continuous Ranked Probability Score (CRPS) using Monte Carlo Dropout for stochasticity. As a result, our model matches or exceeds the probabilistic skill of GenCast and IFS ENS at 1.5$^\circ\$ resolution while reducing training compute by over 10$\times$ compared to leading CRPS-based models and inference latency by over 10$\times$ compared to diffusion-based models. U-Cast trains in under 12 H200 GPU-days and generates a 60-step ensemble forecast in 11 seconds. These results suggest that scalable, general-purpose architectures paired with efficient training curricula can match complex domain-specific designs at a fraction of the cost, opening the training of frontier probabilistic weather models to the broader community. Our code is available at: https://github.com/Rose-STL-Lab/u-cast.
• Abstract（参考訳）: AIベースの天気予報は、従来の物理学ベースのアンサンブルと競合するが、最先端のSOTA(State-of-the-art)モデルは、特殊なアーキテクチャと膨大な計算予算に依存しており、参入の障壁となっている。 このような複雑さは、フロンティアのパフォーマンスには不要であることを示す。 簡単なレシピでトレーニングされた標準U-Netバックボーン上に構築された確率予測器であるU-Castを紹介した。 その結果,GenCast と IFS ENS の確率的スキルは1.5$^\circ\$で一致し,トレーニング計算は最大で10$\times$で,推論遅延は拡散モデルに比べて10$\times$で減少することがわかった。 U-Castは12H200GPU日以下のトレーニングを行い、11秒で60ステップのアンサンブル予測を生成する。 これらの結果は、スケーラブルで汎用的なアーキテクチャと効率的なトレーニングカリキュラムを組み合わせることで、複雑なドメイン固有の設計をほんの少しのコストで一致させることができることを示唆し、フロンティア確率的気象モデルのトレーニングを広いコミュニティに開放する。 私たちのコードは、https://github.com/Rose-STL-Lab/u-castで利用可能です。

関連論文リスト

• Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling [51.78972657142583]
  我々は、Timer-S1、強力なMixture-of-Experts(MoE)時系列基礎モデル、合計8.3Bのパラメータ、各トークンの0.75Bのアクティブパラメータ、コンテキスト長11.5Kについて紹介する。 既存のトレーニング済み時系列基盤モデルのスケーラビリティボトルネックを克服するため,シリアルスケーリングを3次元で実施する。
  論文  参考訳（メタデータ） (2026-03-05T04:13:57Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
  我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。 また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
  論文  参考訳（メタデータ） (2024-01-27T05:53:16Z)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
  我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。 我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
  論文  参考訳（メタデータ） (2022-02-09T10:58:50Z)
• Exploring Sparse Expert Models and Beyond [51.90860155810848]
  Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。 本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。 この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-31T16:12:44Z)

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。