Swift : Un modèle de cohérence autorégressif pour une prévision météorologique efficace

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

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

cs.AI

papers.abstract

Les modèles de diffusion offrent un cadre physiquement fondé pour la prévision probabiliste du temps, mais leur dépendance typique à des solveurs itératifs lents lors de l'inférence les rend peu pratiques pour les applications sub-saisonnières à saisonnières (S2S), où les délais longs et l'étalonnage basé sur le domaine sont essentiels. Pour remédier à cela, nous présentons Swift, un modèle de cohérence en une seule étape qui, pour la première fois, permet un réglage fin autorégressif d'un modèle de flux de probabilité avec un objectif de score de probabilité classée continue (CRPS). Cela élimine le besoin d'ensembles multi-modèles ou de perturbations de paramètres. Les résultats montrent que Swift produit des prévisions compétentes toutes les 6 heures qui restent stables jusqu'à 75 jours, fonctionnant 39 fois plus vite que les modèles de diffusion de pointe tout en atteignant une compétence de prévision comparable à celle du système opérationnel IFS ENS basé sur la modélisation numérique. Cela marque une étape vers une prévision d'ensemble efficace et fiable, de l'échelle moyenne à l'échelle saisonnière.

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.