論文の概要: Xaurora: Generative Weather Forecasting with Denoising Stochastic Interpolants from a Foundation Model Prior

• arxiv url: http://arxiv.org/abs/2610.06509v1
• Date: Mon, 05 Oct 2026 15:28:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:55:22.228152
• Title: Xaurora: Generative Weather Forecasting with Denoising Stochastic Interpolants from a Foundation Model Prior
• Title（参考訳）: Xaurora: 確率補間剤を基礎モデルから推定した生成的天気予報
• Abstract要約: 既存の基盤モデルは決定論的であり、正確な不確実性のために大きなアンサンブルの生成を制限する。 事前学習された決定論的事前モデル、すなわちオーロラ基礎モデルを生成的アンサンブル予測モデルに変換する。 提案手法は, パラメータと試料効率が良く, 13分で15日間の天気予報を発生させる。
• 参考スコア（独自算出の注目度）: 25.590382998467973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has revolutionised weather forecasting in recent years, especially through atmospheric foundation models, which offer competitive skill for a fraction of the computational costs of classic physics-based models. However, most existing foundation models are deterministic, limiting the generation of large ensembles for accurate uncertainty quantification, extreme weather risk assessment, and long-range weather forecasting. Furthermore, these models incur a large, often prohibitive, computational overhead to train from scratch. To address these shortcomings, we turn a pretrained deterministic prior model, namely the Aurora foundation model, into a generative ensemble-prediction model. To that end, we introduce a novel generative method, Denoising Stochastic Interpolants, combined with a replay buffer for Stochastic Differential Equation (SDE) rollout, enabling probabilistic training of SDE trajectories. Our stochastic foundation model, Xaurora, is finetuned from the small Aurora version, yet it approaches the state-of-the-art on global ensemble metrics and is competitive with the large version of Aurora. Our method is parameter and sample efficient, and generates skilful 15-day forecasts in 13 minutes. Our results demonstrate that deterministic foundation models can be efficiently extended into even stronger stochastic models.
• Abstract（参考訳）: 近年、深層学習は気象予報に革命をもたらしており、特に大気基盤モデルによって古典物理学に基づくモデルの計算コストのごく一部に競争力を与えている。 しかし、既存の基盤モデルは決定論的であり、正確な不確実性定量化、極端な気象リスク評価、長距離天気予報のための大規模なアンサンブルの発生を制限する。 さらに、これらのモデルは、スクラッチからトレーニングするために大きな、しばしば禁忌の計算オーバーヘッドを引き起こす。 これらの欠点に対処するため、事前学習された決定論的事前モデル、すなわちオーロラ基礎モデルを生成的アンサンブル予測モデルに変換する。 そこで我々は,確率的微分方程式(SDE)のロールアウトのためのリプレイバッファと組み合わさって,SDEトラジェクトリの確率的トレーニングを可能にする新しい生成法,Denoising Stochastic Interpolantsを導入する。 私たちの確率的基礎モデルであるXauroraは、Auroraの小さなバージョンから微調整されていますが、グローバルアンサンブルメトリクスの最先端に近づき、Auroraの大きなバージョンと競合しています。 提案手法は, パラメータと試料効率が良く, 13分で15日間の天気予報を発生させる。 以上の結果から,決定論的基礎モデルをより強力な確率モデルに効率的に拡張できることが示唆された。

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)
• 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)
• Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
  本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。 このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。 Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
  論文  参考訳（メタデータ） (2024-06-07T09:01:25Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。