論文の概要: An adaptive and evolvable deep reinforcement learning framework for weather prediction

• arxiv url: http://arxiv.org/abs/2608.09948v1
• Date: Tue, 07 Jul 2026 09:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.183509
• Title: An adaptive and evolvable deep reinforcement learning framework for weather prediction
• Title（参考訳）: 気象予測のための適応的で進化可能な深層強化学習フレームワーク
• Abstract要約: FTAE-Weatherは、深い強化学習を通じて、いつ、どこで、予測者のオープンプールの各メンバーを信頼するかを学ぶ軽量フレームワークである。 RMSEを17.2%から78.3%に減らし、10の大気変数で最高の個人モデルに匹敵する。 リードタイムの72時間から360時間にわたって従来のアンサンブルベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 13.149261428761307
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: No single AI weather model excels at all variables, pressure levels, and lead times. Rather than building yet another architecture, we reframe the forecasting problem as one of coordination. Here we present Feitian Adaptive Ensemble Weather (FTAE-Weather), a lightweight framework that learns, through deep reinforcement learning, when and where to trust each member of an open pool of pretrained forecasters. A tactical Weight-Agent reads the current atmospheric state and assigns variable- and horizon-specific fusion weights, while a strategic Evolve-Agent periodically prunes underperforming models and absorbs newly released ones. Asynchronous prediction caching keeps training cost independent of the slowest constituent model. Adding fewer than 0.01 percent extra parameters, FTAE-Weather reduces RMSE by from 17.2 percent to 78.3 percent over the best individual model in 10 atmospheric variables and outperforms conventional ensemble baselines across lead times from 72 to 360 hours. The framework thus converts a growing, fragmented inventory of specialist models into a single prediction system that strengthens as the field of AI weather forecasting releases new architectures-turning model diversity from a coordination challenge into a compounding scientific advantage.
• Abstract（参考訳）: すべての変数、圧力レベル、リードタイムに優れたAI天気モデルはありません。 新たなアーキテクチャを構築するのではなく、予測問題を調整の1つとして再設計するのです。 ここでは,事前訓練された予測者のオープンプールの各メンバーをいつ,どこで,信頼するかを学習する軽量フレームワークであるFeitian Adaptive Ensemble Weather(FTAE-Weather)を紹介する。 戦術的重み-エージェントは現在の大気状態を読み出し、変量および地平線固有の融合重みを割り当て、戦略的エボレーブ-エージェントは定期的にモデルを実行し、新たに放出されたものを吸収する。 非同期予測キャッシュは、トレーニングコストを最も遅い構成モデルとは無関係に維持する。 FTAE-Weatherは0.01%未満のパラメータを追加し、RMSEを大気中の10変数の最良のモデルよりも17.2%から78.3%削減し、リードタイムの72時間から360時間にわたって従来のアンサンブルベースラインを上回っている。 このフレームワークは、AI天気予報の分野が調整課題から複合的な科学的優位性へとモデル多様性を転換する新しいアーキテクチャを放出するにつれて、成長し、断片化されたスペシャリストモデルの在庫を単一の予測システムに変換する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Modernizing CNN-based Weather Forecast Model towards Higher Computational Efficiency [5.781137818421603]
  グローバル気象予報のための近代化されたCNNモデルを提案する。 KAI-a にはスケール不変アーキテクチャと InceptionNeXt ベースのブロックが組み込まれている。 ERA5の日次データセットで67の大気変数でトレーニングされ、1つのNVIDIA L40s GPUでわずか12時間でトレーニングが完了する。
  論文  参考訳（メタデータ） (2025-07-15T01:16:32Z)
• How to systematically develop an effective AI-based bias correction model? [15.73933701556121]
  本研究では、数値天気予報(NWP)における系統的バイアス補正のための人工知能(AI)フレームワークであるReSA-ConvLSTMを紹介する。 本研究では, 動的気候正規化, 時間的因果制約を伴うConvLSTM, 残留自己保持機構を統合することで, 3つのイノベーションを提案する。 地球大気データの41年(1981-2021年)を用いて、2m大気温度(T2m)、10m風(UV10)、海面圧力(SLP)の系統的バイアスを低減する。 軽量アーキテクチャ(10.6Mパラメータ)は、複数の変数や下流アプリケーションへの効率的な一般化を可能にし、再学習時間を短縮する。
  論文  参考訳（メタデータ） (2025-04-21T03:02:42Z)
• 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)
• 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)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• 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)

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。