論文の概要: Efficient probabilistic weather forecasting at quarter-degree resolution with two-sided transport attention

• arxiv url: http://arxiv.org/abs/2610.35545v1
• Date: Mon, 26 Oct 2026 14:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.04119
• Title: Efficient probabilistic weather forecasting at quarter-degree resolution with two-sided transport attention
• Title（参考訳）: 両面の輸送注意を伴う4次分解能の効率的な確率的天気予報
• Abstract要約: 我々は8つのH200 GPUでトレーニングされた0.25ドルのアンサンブルモデルであるAstraを紹介する。 ウェザーベンチ2では、アストラはGenCastのCRPSの5つの上層空目標と1-10日の平均値と、ハードウェアが正規化したトレーニング計算の9.8%とを一致させた。 CRPSとアンサンブル平均根平均二乗誤差は、600変数、レベル、リードタイムの組み合わせにおいてECMWFアンサンブルよりも低い。
• 参考スコア（独自算出の注目度）: 5.604402500997821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution probabilistic weather forecasting remains computationally demanding. Here we present Astra, a 0.25$^\circ$ ensemble model trained on eight H200 GPUs. It combines Kantorovich Attention, a two-sided transport attention in which each region chooses where it reads from and writes to, so every region sends and receives at token resolution, with a self-featurised continuous ranked probability score (CRPS) that also scores forecasts in the model's multiscale features. In WeatherBench 2, Astra matches GenCast's CRPS averaged over five upper-air targets and days 1-10 with 9.8% of its hardware-normalised training compute. Verified against ERA5, its CRPS and ensemble-mean root-mean-square error are lower than the ECMWF ensemble's on all 600 variable, level and lead-time combinations, and its CRPS is lower than GenCast's on 73.5% of them. A 15-day member needs 39 times fewer floating-point operations than GenCast's GPU implementation, and 50 members take under 40 min on one consumer GPU, within 21 GB.
• Abstract（参考訳）: 高解像度の確率的天気予報は依然として計算的に要求されている。 ここでは8つのH200 GPUでトレーニングされた0.25$^\circ$アンサンブルモデルであるAstraを紹介する。 Kantorovich Attention(カントロビッチ・アテンション)は、各リージョンが読み書きの場所を選択し、各リージョンがトークンの解像度で送信・受信する、双方向のトランスポートアテンションである。 ウェザーベンチ2では、アストラはGenCastのCRPSの5つの上層空目標と1-10日の平均値と、ハードウェアが正規化したトレーニング計算の9.8%とを一致させた。 ERA5に対して証明されたCRPSとアンサンブル平均の2乗誤差は、600変数、レベル、リードタイムの組み合わせのECMWFアンサンブルよりも低く、CRPSは73.5%のGenCastよりも低い。 15日間のメンバは、GenCastのGPU実装の39分の1の浮動小数点演算を必要とし、50人のメンバは、21GB以内の1つのコンシューマGPUで40分未満で処理する。

関連論文リスト

• Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees [0.0]
  低コストの商用偽装製品は、応答エンジンがリアルタイムモデル駆動のフィードバックに結びついていないという、関連する弱点を共有している。 メカニズムは、両方の欠点に対処するために、オープンに分散されたアダプティブなハニーポットプラットフォームである。
  論文  参考訳（メタデータ） (2026-08-15T20:30:14Z)
• Otter Weather: Skillful and Computationally Efficient Medium-Range Weather Forecasting [30.958839430506156]
  Otter Weatherは、AIで高性能気象予測を民主化するために設計された、非常に効率的な予測モデルである。 このバージョンは24時間リードタイムでNWPベースラインを9.6%上回った。 Otter-XLはIFS ENSベースラインよりも9.7%改善されている。
  論文  参考訳（メタデータ） (2026-06-24T22:23:13Z)
• U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster [27.767243624749085]
  標準のU-Netバックボーン上に構築された確率予測器であるU-Castを紹介する。 我々のモデルは、GenCast と IFS ENS の確率的スキルと1.5ドル円の解像度で一致または超えます。 U-Castは12H200GPU日以下のトレーニングを行い、11秒で60ステップのアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2026-04-10T07:02:20Z)
• Time Series Foundation Models for Energy Load Forecasting on Consumer Hardware: A Multi-Dimensional Zero-Shot Benchmark [0.0]
  Time Series Foundation Models (TSFM) はタスク固有のトレーニングを回避できるゼロショット予測機能を導入した。 本稿では,業界標準ベースラインと2つの統計基準として,Prophetとともに4つのTSFMを評価するベンチマークを提案する。 すべての実験は、コンシューマグレードのハードウェア(AMD 7, 16GB RAM、GPUなし)で実行される
  論文  参考訳（メタデータ） (2026-02-11T13:34:16Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• 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)
• FourCastNet: Accelerating Global High-Resolution Weather Forecasting using Adaptive Fourier Neural Operators [44.20526496271154]
  現在の物理学に基づく数値天気予報(NWP)は、計算コストと厳密な解法限界による精度を制限している。 我々は,データ駆動の深層学習型地球エミュレータであるFourCastNetが,地球規模の気象を予測し,NWPより5桁高速な中距離予測を生成することを報告した。
  論文  参考訳（メタデータ） (2022-08-08T06:06:31Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models [6.882042556551611]
  深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
  論文  参考訳（メタデータ） (2021-02-09T20:14:43Z)

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。