論文の概要: Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting

• arxiv url: http://arxiv.org/abs/2605.06916v1
• Date: Thu, 07 May 2026 20:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.60535
• Title: Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting
• Title（参考訳）: Tyche: 効果的な確率的天気予報のための1ステップフロー
• Abstract要約: 我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
• 参考スコア（独自算出の注目度）: 48.263481135566316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic weather forecasting requires not only accurate trajectories, but calibrated distributions over plausible atmospheric futures. Recent data-driven systems have achieved remarkable deterministic skill, and diffusion-based ensemble forecasters have substantially improved sample realism and uncertainty quantification. However, their inference cost scales with forecast horizon, ensemble size, and the number of denoising steps required for each transition, making large operational ensembles expensive. To address this, we present Tyche, a one-step conditional flow model for efficient probabilistic weather forecasting. Tyche models the conditional forecast distribution with a destination-aware average-velocity flow that maps Gaussian noise directly to future weather states in a single function evaluation (1-NFE). To make this one-step transport learnable in high-dimensional geophysical fields, we derive a JVP-regularized rectification objective that enforces temporal self-consistency across source and destination flow timesteps without explicitly forming Jacobians. The transport field is parameterized by an isotropic Swin-style transformer that preserves fine-scale spatial structure while remaining scalable on global grids. To improve ensemble reliability under autoregressive forecasting, we further introduce a rollout-based finetuning stage with curriculum CRPS calibration supervision. Experiments on ERA5 at 1.5$^\circ$ and 6-hour resolution show that our Tyche, using merely a single NFE, matches or exceeds the forecast skill and calibration of state-of-the-art multi-step generative baselines and the operational ECMWF IFS ensemble.
• Abstract（参考訳）: 確率的天気予報は正確な軌跡だけでなく、可算的な大気の将来に対する調整された分布を必要とする。 近年のデータ駆動型システムは決定論的技術に優れており、拡散型アンサンブル予測器はサンプルリアリズムと不確かさの定量化を大幅に改善している。 しかし、それらの推論コストは予測水平線、アンサンブルサイズ、各遷移に必要なデノイングステップの数とともにスケールし、大きな運用アンサンブルが高価になる。 そこで我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 Tycheは、単一関数評価(1-NFE)において、条件付き予測分布と、ガウスノイズを直接将来の気象状態にマッピングする目的地対応平均速度フローをモデル化する。 高次元の物理分野においてこの一段階の輸送を学習できるようにするため、ジャコビアンを明示的に形成することなく、ソースと目的地の流れの時間的自己整合を強制するJVP正規化整合目標を導出する。 輸送場は、グローバルグリッド上で拡張性を維持しながら、微細な空間構造を保存する等方的スウィン型変圧器によってパラメータ化される。 さらに,自己回帰予測下でのアンサンブル信頼性を向上させるために,CRPS校正のカリキュラムを組み込んだロールアウト型微調整ステージを導入する。 ERA5の1.5$^\circ$および6時間分解実験により,1つのNFEを用いて,最先端多段階生成ベースラインと運用ECMWF IFSアンサンブルの予測技術および校正を一致または超過した。

関連論文リスト

• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
  本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。 FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。 これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
  論文  参考訳（メタデータ） (2026-03-16T14:36:47Z)
• Universal Diffusion-Based Probabilistic Downscaling [3.47037488116399]
  我々は、決定論的低分解能気象予測を高分解能予測に引き上げる、普遍的な拡散に基づくダウンスケーリングフレームワークを導入する。 1つの条件拡散モデルは、ペア化された粗分解能入力と高分解能領域再分析ターゲットに基づいて訓練される。 我々は,90hまでのリード時間における独立駅観測に対する確率的予測を評価した。
  論文  参考訳（メタデータ） (2026-02-12T12:42:46Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
  Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。 この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
  論文  参考訳（メタデータ） (2025-04-25T22:14:29Z)
• Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
  連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。 時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。 本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-07T18:51:23Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。