論文の概要: Sonny-ENS: demystifying machine-learning ensemble weather forecasting
- arxiv url: http://arxiv.org/abs/2611.01614v1
- Date: Sun, 01 Nov 2026 06:04:43 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:56:31.91477
- Title: Sonny-ENS: demystifying machine-learning ensemble weather forecasting
- Title（参考訳）: Sonny-ENS: 機械学習の天気予報のデミスティフィケーション
- Abstract要約: 我々はモンテカルロのドロップアウトを伴う3つの68.9万パラメータネットワークのアンサンブルであるSonny-ENSを紹介する。
2022年、欧州中レージ気象予報センター(en:European Centre for Medium-Range Weather Forecasts ense)よりCRPSが低く、570の目標の96%を占めている。
ターゲットの69%でGenCastを上回り、51名の15日間の予測は1つのGPUで69秒かかる。
- 参考スコア（独自算出の注目度）: 3.993449663756884
- License:
- Abstract: Every weather forecast is uncertain, and decisions from flood warnings to energy trading depend on how well that uncertainty is quantified. Machine-learning (ML) ensembles now quantify it better than the best physics-based ensemble, yet two things about them remain opaque: whether their skill requires hundreds to thousands of accelerator-days of training, and how a network with a simple source of randomness produces a spread that follows the flow. Here we introduce Sonny-ENS, an ensemble of three 68.9-million-parameter networks with Monte Carlo dropout, trained on the continuous ranked probability score (CRPS) in 2.7 A40 GPU-days. On 2022, it has a lower CRPS than the European Centre for Medium-Range Weather Forecasts ensemble (ENS) on 96% of 570 targets and an 8.3% lower mean CRPS at lead times of 1-10 days. It outperforms the operational GenCast on 69% of the targets, and a 51-member, 15-day forecast takes 69 s on one GPU. Ablations identify the ingredients of this skill, and a Kolmogorov-Arnold sparse autoencoder shows that dropout injects uncertainty mainly in the tropics, whereas the spread grows where the atmosphere is baroclinically unstable (spatial correlation 0.91 with the Eady growth rate). Skillful probabilistic weather forecasts are therefore within reach of a single GPU server.
- Abstract（参考訳）: あらゆる天気予報は不確実であり、洪水警報からエネルギー取引への決定は、その不確実性がどの程度定量化されているかに依存する。
機械学習(ML)アンサンブルは、最高の物理ベースのアンサンブルよりも優れているが、それらに関する2つのことは不透明である。
ここでは,モンテカルロ・ドロップアウトによる3つの68.9万パラメトリックネットワークのアンサンブルであるSonny-ENSを紹介し,2.7A40GPU日間の連続的なランク付け確率スコア(CRPS)をトレーニングする。
2022年、欧州中距離気象予報アンサンブル(ENS)は570の目標の96%を占め、平均CRPSは1-10日間のリードタイムで8.3%低い。
ターゲットの69%でGenCastを上回り、51名の15日間の予測は1つのGPUで69秒かかる。
アブレーションにより、この技術の特徴が特定され、コルモゴロフ・アルノルドのスパースオートエンコーダは、降雨が主に熱帯で不確実性を注入するのに対し、大気が偏極的に不安定な場所では拡散が増加する(イーディー成長率との空間相関0.91)。
したがって、熟練した確率的天気予報は単一のGPUサーバの範囲内にある。
関連論文リスト
- Chronos-2: A foundation model for multivariate time series forecasting [52.49981976734815]
Chronos-2はゼロショット予測の基礎モデルである。
時系列間の関係を直接歴史的文脈から推測する。
タスク固有の処理なしで確率予測を生成する。
論文 参考訳（メタデータ） (2026-10-30T16:08:23Z) - Efficient probabilistic weather forecasting at quarter-degree resolution with two-sided transport attention [5.604402500997821]
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。
論文 参考訳（メタデータ） (2026-10-26T14:53:50Z) - 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) - Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。
7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。
主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
論文 参考訳（メタデータ） (2026-03-09T02:39:51Z) - 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) - GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。
GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。
評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
論文 参考訳（メタデータ） (2023-12-25T19:30:06Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - 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) - 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。