論文の概要: Scaling Storm-Resolving Atmospheric AI Simulation to the Entire Planet

• arxiv url: http://arxiv.org/abs/2606.31248v1
• Date: Tue, 30 Jun 2026 07:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.113297
• Title: Scaling Storm-Resolving Atmospheric AI Simulation to the Entire Planet
• Title（参考訳）: ストーム解決型大気AIシミュレーションの宇宙への展開
• Authors: Zeyuan Hu, Akshay Subramaniam, Noel Keen, Tao Ge, Jaideep Pathak, Mohammad Shoaib Abbas, Suman Ravuri, Karthik Kashinath, Naser Mahfouz, Peter Caldwell, Mike Pritchard, Noah Brenowitz,
• Abstract要約: STRATA (Storm-resolving Tile-based auto Regressive Atmosphere Transformer Architecture) は、世界規模の嵐解決型大気力学のための最初の自己回帰型AIエミュレータである。 STRATAは、様々な体制にまたがる現実的なkmスケールのダイナミックスを備えた、24時間の世界展開を安定的に行う。 SCREAMの物理モデルよりもエネルギー効率が約50倍高い。
• 参考スコア（独自算出の注目度）: 4.77834801104581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kilometer-scale convection shapes precipitation extremes, tropical organization, and cloud feedbacks, but most global atmospheric models approximate these processes at 25-100 km resolution. Global storm-resolving physics models resolve convective systems explicitly, but at a cost -- roughly one MWh per simulated day on exascale supercomputers -- that limits long-duration simulation. We introduce STRATA (Storm-resolving Tile-based autoRegressive Atmosphere Transformer Architecture), the first autoregressive AI emulator for global storm-resolving atmospheric dynamics. STRATA is trained on the highest-resolution atmospheric dataset yet used for global AI emulation: 17 days of SCREAM physics-model output at 4.9-km resolution (~25 million grid cells) sampled every 10 minutes. Our central premise is that on 10-minute timescales atmospheric dynamics are predominantly local, so training on small spatial tiles trades scarce global temporal samples for abundant local spatial samples and enables global rollout via overlapping-tile blending. STRATA combines 3D patch embedding and local 3D neighborhood attention, a novel Stereographic Rotary Position Embedding (StereoRoPE) for grid-invariant encoding, and a pixel-space de-aliasing decoder that suppresses patch-scale rollout artifacts. An iso-FLOP scaling study reveals that km-scale emulation requires ~10x more FLOPs per grid point than coarse-resolution AI weather models, consistent with the higher information density of convective-scale dynamics. Trained on only 17 days of data, STRATA produces stable 24-hour global rollouts with realistic km-scale dynamics across diverse regimes, though large-scale biases develop with lead time. It achieves 48 simulation days per megawatt-hour -- about 50 times better energy efficiency than the SCREAM physics model -- and 741 simulated days per wall-clock day at 512 H100 GPUs. Code and dataset are publicly available.
• Abstract（参考訳）: キロメータースケールの対流は降水極端、熱帯の組織、雲のフィードバックを形作っているが、ほとんどの大気圧モデルはこれらの過程を25-100kmの解像度で近似している。 グローバルストーム解決物理モデルは、対流系を明示的に解決するが、コストは1日あたり約1MWhで、長期予測シミュレーションを制限している。 我々は,大気圧分解型大気力学のための最初の自己回帰型AIエミュレータであるSTRATA(Storm-resolving Tile-based auto Regressive Atmosphere Transformer Architecture)を紹介する。 STRATAは、地球規模のAIエミュレーションに使われていない最高解像度の大気データセットに基づいて訓練されている。 中心的な前提は、10分間の時間スケールでは大気力学が主に局所的であるため、小さな空間タイルのトレーニングは、豊富な局所空間サンプルのグローバル時間サンプルが不足し、重なり合うタイルブレンディングによるグローバルロールアウトを可能にします。 STRATAは、3Dパッチの埋め込みと局所的な3D近傍の注意と、グリッド不変エンコーディングのための新しいステレオロータリー位置埋め込み(StereoRoPE)と、パッチスケールのロールアウトアーティファクトを抑制するピクセル空間デエイリアスデコーダを組み合わせる。 等スケールのエミュレーションは、粗い解像度のAI天気モデルよりも1グリッドあたり約10倍のFLOPを必要とし、対流スケールのダイナミックスの高情報密度と一致している。 STRATAは、わずか17日間のデータに基づいて、様々なレジームにまたがる現実的なkmスケールのダイナミックスを持つ24時間の世界展開を安定的に生成するが、大規模バイアスはリードタイムとともに発達する。 SCREAMの物理モデルより約50倍エネルギー効率が向上し、512H100 GPUで壁面1日あたりのシミュレーション日数は741日である。 コードとデータセットが公開されている。

関連論文リスト

• CAM-NET: An AI Model for Whole Atmosphere with Thermosphere and Ionosphere Extension [0.5256237513030104]
  我々は,地球表面から電離層への中性大気変数の予測を目的としたAIモデルであるCAM-NETを提案する。 このモデルは、帯状風や乾燥風、温度、圧力の時間といった重要な大気パラメータを効果的に予測する。
  論文  参考訳（メタデータ） (2025-06-24T06:07:28Z)
• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• Accelerate Coastal Ocean Circulation Model with AI Surrogate [10.800252698519634]
  海洋学者は海岸沿いの海流をシミュレートし、生命を救い、海岸の危険から財産の損失や被害を防ぐ早期警戒システムを開発する。 伝統的に、このようなシミュレーションは、地域海洋モデリングシステム(ROMS)のような沿岸海洋循環モデルを用いて行われる。 近年のディープラーニングとGPUアーキテクチャの進歩により、より高速なAI(ニューラルネットワーク)サロゲートの開発が可能になった。 本稿では,4次元スウィントランスを用いたAIサロゲートを提案する。
  論文  参考訳（メタデータ） (2024-10-19T02:49:30Z)
• Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling [19.340636269420692]
  ストームスケール対流許容モデル(CAM)は雷雨とメソスケール対流システムの進化を予測する重要なツールである。 深層学習モデルは、これまでのところ、kmスケールの大気シミュレーションでは十分には証明されていない。 我々は,高分解能高速リフレッシュ(HRRR)モデル-NOAAの最先端3km動作CAMをエミュレートしたStormCastと呼ばれる生成拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-20T15:56:01Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。