論文の概要: Post-Training Quantization of Autoregressive Weather Models
- arxiv url: http://arxiv.org/abs/2610.02511v1
- Date: Thu, 01 Oct 2026 21:34:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 19:20:54.754946
- Title: Post-Training Quantization of Autoregressive Weather Models
- Title（参考訳）: 自己回帰気象モデルの学習後量子化
- Abstract要約: 後学習量子化(PTQ)は、単位時間における計算の高速化と増加を実証している。
深層学習天気予報(DLWP)とFourCastNet(FCN)モデルにPTQアルゴリズムを実装した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advancements in high-resolution numerical weather prediction (NWP) and data assimilation (DA) have shaped the developments in deep learning (DL) architectures emulating atmospheric dynamics. Emulators for weather forecasting exhibit forecast quality comparable to physics based models at forecast horizon scaling from few days to subseasonal time scales. The emulators are driven by hardware-accelerated matrix multiplication in autoregressive inferences, significantly reducing the computation time and resources required for NWP. Optimization of the matrix multiplication processes in GPU architectures provides opportunities to scale towards high-resolution domain, and offers implementation of out of the box solutions. Post-training quantization (PTQ) has been demonstrated across multiple DL architectures to accelerate and increase the number of computations in unit time while consuming less power, enabling applications on edge hardware. In this study, we investigate the effect of PTQ on pre-trained AI emulators for global-scale weather forecasting. We implement PTQ algorithms in Deep Learning Weather Prediction (DLWP) and FourCastNet (FCN) models as a proof of concept for geophysical fluid dynamics applications. We systematically investigate the effect of PTQ on emulator inferences over short-range forecast horizons. Evaluation of PTQ configurations using simulated quantization hints at qualitatively meaningful forecasts over short-time horizons. These results provide a first benchmark of PTQ for autoregressive weather emulators and a basis for quantization-based optimization of DL models for dynamical systems.
- Abstract（参考訳）: 高分解能数値天気予報(NWP)とデータ同化(DA)の進歩は、大気力学を模した深層学習(DL)アーキテクチャの発展を形作っている。
天気予報エミュレータは、天気予報地平線を数日から下季節の時間スケールに拡大する物理モデルに匹敵する予測品質を示す。
エミュレータは、自動回帰推論におけるハードウェアアクセラレーション行列の乗算によって駆動され、NWPに必要な計算時間とリソースが大幅に削減される。
GPUアーキテクチャにおける行列乗算プロセスの最適化は、高解像度のドメインに向けてスケールする機会を提供し、アウトオブザボックスソリューションの実装を提供する。
トレーニング後の量子化(PTQ)は複数のDLアーキテクチャで実証されており、単位時間当たりの計算量を加速し増加させ、消費電力を減らし、エッジハードウェアでの応用を可能にしている。
本研究では,地球規模の天気予報のための事前学習型AIエミュレータに対するPTQの効果について検討した。
深層学習天気予報(DLWP)とFourCastNet(FCN)モデルにPTQアルゴリズムを実装した。
我々は,PTQが近距離予測地平線上のエミュレータ推定に与える影響を系統的に検討した。
擬似量子化ヒントを用いた短時間地平線上の定性的有意な予測におけるPTQ構成の評価
これらの結果は、自己回帰型気象エミュレータのためのPTQの最初のベンチマークと、動的システムのためのDLモデルの量子化に基づく最適化の基礎を提供する。
関連論文リスト
- LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - 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) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳（メタデータ） (2023-04-28T21:34:53Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳（メタデータ） (2022-09-18T03:45:56Z) - Numerical Weather Forecasting using Convolutional-LSTM with Attention
and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。
我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2021-02-01T08:30:42Z)
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。