Swift: Ein autoregressives Konsistenzmodell für effiziente Wettervorhersage

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

papers.authors: Jason Stock, Troy Arcomano, Rao Kotamarthi

cs.AI

papers.abstract

Diffusionsmodelle bieten einen physikalisch fundierten Rahmen für probabilistische Wettervorhersagen, doch ihre typische Abhängigkeit von langsamen, iterativen Lösern während der Inferenz macht sie für sub-saisonale bis saisonale (S2S) Anwendungen unpraktisch, bei denen lange Vorlaufzeiten und domänengetriebene Kalibrierung entscheidend sind. Um dies zu adressieren, stellen wir Swift vor, ein Einzelschritt-Konsistenzmodell, das erstmals ein autoregressives Feintuning eines Probability-Flow-Modells mit einem Continuous Ranked Probability Score (CRPS)-Ziel ermöglicht. Dadurch entfällt die Notwendigkeit von Multi-Modell-Ensembles oder Parameterstörungen. Die Ergebnisse zeigen, dass Swift geschickte 6-stündliche Vorhersagen erzeugt, die bis zu 75 Tage stabil bleiben und dabei 39-mal schneller laufen als state-of-the-art Diffusionsbaselines, während sie eine Vorhersagequalität erreichen, die mit dem numerikbasierten, operationellen IFS ENS konkurriert. Dies markiert einen Schritt hin zu effizienter und zuverlässiger Ensemble-Vorhersage von mittelfristigen bis saisonalen Skalen.

English

Diffusion models offer a physically grounded framework for probabilistic weather forecasting, but their typical reliance on slow, iterative solvers during inference makes them impractical for subseasonal-to-seasonal (S2S) applications where long lead-times and domain-driven calibration are essential. To address this, we introduce Swift, a single-step consistency model that, for the first time, enables autoregressive finetuning of a probability flow model with a continuous ranked probability score (CRPS) objective. This eliminates the need for multi-model ensembling or parameter perturbations. Results show that Swift produces skillful 6-hourly forecasts that remain stable for up to 75 days, running 39times faster than state-of-the-art diffusion baselines while achieving forecast skill competitive with the numerical-based, operational IFS ENS. This marks a step toward efficient and reliable ensemble forecasting from medium-range to seasonal-scales.