論文の概要: SimCast-S2S: A Computationally Efficient Diffusion Model for Subseasonal Precipitation Forecasting

• arxiv url: http://arxiv.org/abs/2608.26594v2
• Date: Thu, 03 Sep 2026 01:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 13:51:58.089219
• Title: SimCast-S2S: A Computationally Efficient Diffusion Model for Subseasonal Precipitation Forecasting
• Title（参考訳）: SimCast-S2S: 沈降予測のための計算効率の良い拡散モデル
• Abstract要約: 季節-季節間降水量予測(S2S)は、経済的、社会的に大きな影響を及ぼす。 確率的S2S降水予測のための生成潜在拡散フレームワークであるSimCast-S2Sを紹介する。 SimCast-S2SはS2S予測に拡散ベースの生成パイプラインを使用する最初のデータ駆動システムである。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subseasonal-to-seasonal (S2S) precipitation forecasting has substantial financial and societal impact, yet remains challenging because of weak predictive signals, high associated uncertainty, and the computational cost of operational systems, which constrains simulation fidelity. We introduce SimCast-S2S, a generative latent-diffusion framework for probabilistic S2S precipitation forecasting that addresses three major bottlenecks in data-driven prediction. First, because S2S prediction requires uncertainty quantification rather than only deterministic point forecasts, SimCast-S2S is the first data-driven system that uses a diffusion-based generative pipeline for S2S prediction, enabling effective sampling from the underlying conditional distribution. Second, since generating large probabilistic ensembles is computationally costly in physical space, SimCast-S2S instead operates in a compact latent space learned by variational autoencoders (VAEs), enabling efficient large-ensemble generation. Third, diffusion models typically require large training datasets; SimCast-S2S overcomes this via transfer learning with low-rank adaptation (LoRA), pretraining on large ensembles of climate simulations before fine-tuning on limited reanalysis data. On reanalysis data, SimCast-S2S outperforms deep learning baselines, including convolutional neural networks and U-Net architectures. Notably, despite using only a subset of atmospheric input variables and no post-processing, bias correction, or calibration, SimCast-S2S remains competitive with, and in many aspects outperforms, state-of-the-art operational systems such as the ECMWF-S2S baseline. These results indicate that latent generative modeling combined with simulation-to-reanalysis transfer learning offers an efficient and scalable path toward data-driven probabilistic S2S precipitation forecasting.
• Abstract（参考訳）: サブシーズン・ツー・シーズン降水量予測(S2S)は、弱い予測信号、高い関連する不確実性、そしてシミュレーションの忠実さを制約する運用システムの計算コストのために、かなりの財政的および社会的な影響があるが、依然として困難である。 我々はSimCast-S2Sを紹介した。SimCast-S2Sは確率的S2S降水予測のための生成的潜在拡散フレームワークであり、データ駆動予測における3つの大きなボトルネックに対処する。 第一に、S2S予測は決定論的な点予測よりも不確実な定量化を必要とするため、SimCast-S2SはS2S予測に拡散ベースの生成パイプラインを使用する最初のデータ駆動システムであり、基礎となる条件分布から効果的なサンプリングを可能にする。 第二に、大きな確率的アンサンブルを生成するのは物理空間において計算コストがかかるため、SimCast-S2Sは変分オートエンコーダ(VAE)によって学習されたコンパクトな潜在空間で動作し、効率的な大アンサンブル生成を可能にする。 第3に、拡散モデルは通常、大規模なトレーニングデータセットを必要とする。SimCast-S2Sは、ローランク適応(LoRA)によるトランスファーラーニングによってこれを克服し、限られた再分析データに基づいて微調整する前に、大規模な気候シミュレーションを事前訓練する。 再分析データでは、SimCast-S2Sは畳み込みニューラルネットワークやU-Netアーキテクチャを含むディープラーニングベースラインを上回っている。 特に、大気中の入力変数のサブセットのみを使用し、後処理、バイアス補正、キャリブレーションは行わないが、SimCast-S2Sは競争力があり、ECMWF-S2Sベースラインのような最先端の運用システムよりも優れている。 これらの結果から,遅延生成モデルとシミュレーションから再解析への変換学習を組み合わせることで,データ駆動型確率的S2S降水予測への効率的かつスケーラブルな経路が得られることが示唆された。

関連論文リスト

• Zero-shot Forecasting by Simulation Alone [31.52496942175924]
  時系列予測は大きな可能性を秘めているが、まだ初期段階にあり、限られた偏見のあるデータコーパス、漏れやすい評価、プライバシーとライセンスの制約によって妨げられている。 そこで本研究では,オンザフライデータ生成に十分な速度で同時に動作する,初の実用的一変量時系列シミュレーションパイプラインを提案する。 我々のシミュレーターはSarSim0(SARIMA Simulator for Zero-Shot Forecasting)と呼ばれ、季節ごとの自己回帰統合移動平均(SARIMA)モデルをコアデータソースとして使っている。
  論文  参考訳（メタデータ） (2026-01-02T19:41:42Z)
• Skillful Subseasonal-to-Seasonal Forecasting of Extreme Events with a Multi-Sphere Coupled Probabilistic Model [15.895958611071286]
  TianXing-S2Sは、グローバルS2Sの日次アンサンブル予測のための多球結合確率モデルである。 本モデルでは, 熱波や異常降水などの極端な現象を, 巧妙に予測できる。
  論文  参考訳（メタデータ） (2025-12-14T04:28:51Z)
• Bridging Simulation and Reality: Cross-Domain Transfer with Semantic 2D Gaussian Splatting [60.513168855890974]
  ロボット操作におけるクロスドメイン転送は、シミュレートされた環境と実世界の環境の間に大きなドメインギャップがあるため、長年にわたる課題である。 本研究では,オブジェクト中心の領域不変空間特徴を抽出する新しい表現法であるSemantic 2D Gaussian Splatting (S2GS)を提案する。 S2GSはsim-to-real転送性を大幅に改善し、現実世界のシナリオで高安定なタスク性能を維持する。
  論文  参考訳（メタデータ） (2025-12-04T12:16:15Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Deep Learning Meets Teleconnections: Improving S2S Predictions for European Winter Weather [2.3440344026824125]
  季節と季節の時間スケールの予測は2週間から2ヶ月である。 成層圏極渦(SPV)やマデン=ジュリア振動(MJO)のようなテレコネクションは、予測可能性を高める窓を提供する。 我々は、北大西洋-欧州の気象状況を予測するためのディープラーニングアーキテクチャを開発し、評価した。
  論文  参考訳（メタデータ） (2025-04-10T10:23:07Z)
• DiffScale: Continuous Downscaling and Bias Correction of Subseasonal Wind Speed Forecasts using Diffusion Models [0.27104259437944106]
  季節的・季節的な予測(S2S)は、エネルギーセクターに重大な社会経済的優位性をもたらす可能性がある。 DiffScaleは連続的なダウンスケール要因やリードタイムの空間情報を超解する拡散モデルである。 予測品質が大幅に向上し,ベースラインが最大3.5%向上した。
  論文  参考訳（メタデータ） (2025-03-31T09:44:28Z)
• Meta-DiffuB: A Contextualized Sequence-to-Sequence Text Diffusion Model with Meta-Exploration [53.63593099509471]
  本稿では,既存のS2S-拡散モデルの限界を克服するために,スケジューラ・エクスロイタS2S-拡散パラダイムを提案する。 我々はメタ探索を用いて、各文の文脈化ノイズをスケジューリングするための追加スケジューラモデルを訓練する。 我々のエクスプローラーモデルであるS2S-拡散モデルでは、スケジューラモデルによってスケジュールされたノイズを利用して更新と生成を行う。
  論文  参考訳（メタデータ） (2024-10-17T04:06:02Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Sim2Real for Environmental Neural Processes [20.850715955359593]
  我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。 Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
  論文  参考訳（メタデータ） (2023-10-30T18:49:06Z)
• Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
  本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。 本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。 本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-20T12:20:35Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)

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。