Swift: Un Modelo Autoregresivo de Consistencia para Pronósticos Meteorológicos Eficientes

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

Autores: Jason Stock, Troy Arcomano, Rao Kotamarthi

cs.AI

Resumen

Los modelos de difusión ofrecen un marco físicamente fundamentado para la predicción probabilística del clima, pero su dependencia típica de solucionadores iterativos y lentos durante la inferencia los hace poco prácticos para aplicaciones de subestacional a estacional (S2S), donde los plazos largos y la calibración basada en el dominio son esenciales. Para abordar esto, presentamos Swift, un modelo de consistencia de un solo paso que, por primera vez, permite el ajuste fino autorregresivo de un modelo de flujo de probabilidad con un objetivo de puntuación de probabilidad clasificada continua (CRPS). Esto elimina la necesidad de ensamblaje multimodelo o perturbaciones de parámetros. Los resultados muestran que Swift produce pronósticos hábiles cada 6 horas que permanecen estables hasta 75 días, ejecutándose 39 veces más rápido que los modelos de difusión de última generación, mientras logra una habilidad predictiva competitiva con el sistema operativo IFS ENS basado en métodos numéricos. Esto representa un paso hacia la predicción por conjuntos eficiente y confiable desde escalas de mediano plazo hasta estacionales.

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.