論文の概要: Can AI Weather Models Predict Beyond Two Weeks? A Quantitative Benchmark and Analysis of Long Rollouts

• arxiv url: http://arxiv.org/abs/2605.30184v1
• Date: Thu, 28 May 2026 16:29:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.534256
• Title: Can AI Weather Models Predict Beyond Two Weeks? A Quantitative Benchmark and Analysis of Long Rollouts
• Title（参考訳）: AI気象モデルは2週間以上予測できるか? - 定量的ベンチマークと長期ロールアウトの分析
• Authors: Fanny Lehmann, Firat Ozdemir, Yun Cheng, Torsten Hoefler, Sebastian Schemm, Benedikt Soja, Siddhartha Mishra,
• Abstract要約: この研究は、これらの失敗を爆破、漂流、季節性の3つの異なる体制に分類することで、正式な分類の欠如に対処する。 解析の結果,安定性は小時間スケールの処理に左右されることが明らかとなった。 これらのモデルを単にオウムに還元するよりは、安定なモデルが初期状態に条件付けされた独自の気象軌跡を生成することが分かる。
• 参考スコア（独自算出の注目度）: 27.170795026289507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While AI weather models excel at short-to-medium range forecasts (up to 15 days), they frequently suffer from ill-defined "instabilities" when rolled out over longer horizons. This work addresses the lack of a formal taxonomy by categorizing these failures into three distinct regimes: blow-up, drift, and loss of seasonality, through year-long rollouts of nine state-of-the-art AI weather models. Our analysis reveals that stability hinges on the treatment of small spatio-temporal scales: unstable models amplify high-frequency energy, while stable models act as denoisers when noise is added to their inputs. Far from reducing these models to mere stochastic parrots, our findings highlight that stable models generate unique weather trajectories, conditioned on the initial state. We verify our findings through ablation studies on architectural design choices, conducted using state-of-the-art Vision Transformer (ViT) AI weather model architectures.
• Abstract（参考訳）: AI気象モデルは、短距離から中距離の予測(最大15日)で優れていますが、長い地平線を転がり出ると、しばしば不明確な「不安定」に悩まされます。 この研究は、9つの最先端AI気象モデルの1年間にわたるロールアウトを通じて、これらの失敗を、爆発、漂流、季節性の喪失という3つの異なる体制に分類することで、正式な分類の欠如に対処する。 不安定なモデルは高周波エネルギーを増幅し、安定なモデルは入力にノイズを加えるとデノイザーとして機能する。 これらのモデルを単なる確率的オウムに還元するよりは、安定なモデルが初期状態に条件付けされた独自の気象軌跡を生成することが示唆された。 我々は、最先端のViT(Vision Transformer)AI気象モデルアーキテクチャを用いて、建築設計選択に関するアブレーション研究を通じて、この知見を検証する。

関連論文リスト

• A Space-Time Transformer for Precipitation Forecasting [38.87144329787491]
  SaTformerは、衛星の放射光から極端な降水量を予測するビデオトランスフォーマーだ。 我々は降水量の回帰を分類問題に再構成し、ラベルの不均衡に対処するためにクラス重み付き損失を用いる。 私たちのモデルは、NeurIPS Weather4Cast 2025 Cumulative Rainfall Challengeで1位を獲得しました。
  論文  参考訳（メタデータ） (2025-11-14T09:10:31Z)
• Numerical models outperform AI weather forecasts of record-breaking extremes [0.18749305679160366]
  記録破りの気象極端の場合、数値モデルHigh Resolution予測は依然として最先端のAIモデルを上回っていることを示す。 AIモデルの予測誤差は、ほぼすべてのリードタイムにおけるHRESよりも、記録破りの暑さ、寒さ、風速に対して一貫して大きいことを実証する。
  論文  参考訳（メタデータ） (2025-08-21T17:07:16Z)
• 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)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• 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)
• Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
  現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。 不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。 我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:49:11Z)

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。