論文の概要: GraphCast-Mamba: Learning Non-Markovian Corrections for Weather Forecasting

• arxiv url: http://arxiv.org/abs/2610.28512v1
• Date: Tue, 20 Oct 2026 16:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.937054
• Title: GraphCast-Mamba: Learning Non-Markovian Corrections for Weather Forecasting
• Title（参考訳）: GraphCast-Mamba:天気予報のための非マルコフ補正学習
• Abstract要約: 未解決の大気プロセスは、多くの気象予報モデルで使用される短い入力ウィンドウを超えて履歴に依存する可能性がある。 GraphCast--Mambaは、トレーニング可能なMamba修正ブランチで、冷凍でトレーニング済みの1円のGraphCastバックボーンを拡張します。 ウォームアップを含む2,500の更新を経て、選択されたモデルは、修正されていないGraphCastバックボーンに対して大幅に改善されている。
• 参考スコア（独自算出の注目度）: 1.1953458990703896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unresolved atmospheric processes can introduce history dependence beyond the short input windows used by many weather forecasting models. We introduce GraphCast--Mamba, which augments a frozen, pretrained $1^\circ$ GraphCast backbone with a trainable Mamba correction branch combining graph message passing and Mamba layers. The branch retains a temporal memory state across successive six-hour forecast steps, learning corrections informed by temporal context beyond GraphCast's two-frame input. Training is confined to the correction branch, using ERA5 data from 2015--2021. After 2,500 optimizer updates, including warm-up, the selected model achieves substantial improvements relative to the uncorrected GraphCast backbone. It reduces the GraphCast loss (normalized weighted mean-squared error; MSE) by 14.42% when aggregated over the full ten-day forecast and by 21.66% at day 10 (240 h after forecast initialization). At this final forecast lead time, root-mean-square error (RMSE) decreases by 7.09--14.60% across all 11 evaluated variable groups, spanning temperature, wind, pressure, geopotential, specific humidity, and precipitation. These results demonstrate broad improvements in ten-day weather forecasts through a short correction-training schedule while retaining the pretrained backbone.
• Abstract（参考訳）: 未解決の大気プロセスは、多くの気象予報モデルで使用される短い入力ウィンドウを超えて履歴に依存する可能性がある。 GraphCast--Mambaを導入し、グラフメッセージパッシングとMamba層を組み合わせたトレーニング可能なMamba補正ブランチで、凍結してトレーニング済みの1ドル^\circ$ GraphCastバックボーンを拡張する。 ブランチは6時間の連続予測ステップにまたがって時間記憶状態を保持し、GraphCastの2フレーム入力を超えた時間コンテキストで情報を得た補正を学習する。 2015年から2021年までのERA5データを使用して、トレーニングは修正ブランチに限られている。 ウォームアップを含む2500のオプティマイザ更新の後、選択されたモデルは、修正されていないGraphCastバックボーンと比較して大幅に改善されている。 グラフCastの損失(正規化平均二乗誤差; MSE)は10日間の予測で14.42%減少し、10日目(予測初期化から240時間後)に21.66%減少する。 この最終予測リード時間において、根平均二乗誤差(RMSE)は、温度、風、圧力、地力、比湿度、降水量など、評価された11の変量群全てで7.09-14.60%減少する。 これらの結果は、事前訓練したバックボーンを維持しながら、短い修正訓練スケジュールによって10日間の天気予報を広範囲に改善したことを示す。

関連論文リスト

• DIAL: Dynamic and Informed Adjustment of the Native Stochastic Law for Reliable Weather Ensembles [42.90707214502006]
  予測中のランダムな適応は誤りを修正できるが、トレーニングは事前に動作を修正し、出力校正はその後に行われる。 推論ガイダンスは予測中にも機能するが、通常はアンサンブル全体ではなく、別のアンサンブルメンバーをスコアする。 凍結モデルのネイティブ性を制御するDIAL(Dynamic Informed Adjustment of the Native Law)を導入する。 DIALは過去の予測から学び、各変数とスケールが多かれ少なかれ広がる必要があるかを予測します。
  論文  参考訳（メタデータ） (2026-10-15T10:21:37Z)
• Scaling Open-Ended Reasoning to Predict the Future [56.672065928345525]
  我々は、オープンエンドの予測質問の予測を行うために言語モデルを訓練する。 トレーニングデータをスケールアップするために、毎日のニュースで報告されるグローバルイベントから新しい予測質問を合成する。 トレーニングの予測によるキャリブレーションの改善は、一般的なベンチマークで一般化されている。
  論文  参考訳（メタデータ） (2025-12-31T18:59:51Z)
• Efficient fine-tuning of 37-level GraphCast with the Canadian global deterministic analysis [0.0]
  この研究は、グラフCastデータ駆動予測モデルを効率的に微調整し、別の分析システムをシミュレートするプロセスを記述する。 結果として得られたモデルは、未修正のGraphCastと運用予測の両方を著しく上回る。
  論文  参考訳（メタデータ） (2024-08-26T19:16:08Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)

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。