Swift: Un Modello Autoregressivo di Consistenza per Previsioni Meteorologiche Efficienti

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

Autori: Jason Stock, Troy Arcomano, Rao Kotamarthi

cs.AI

Abstract

I modelli di diffusione offrono un framework fisicamente fondato per la previsione probabilistica del tempo, ma la loro tipica dipendenza da risolutori lenti e iterativi durante l'inferenza li rende impraticabili per applicazioni sub-stagionali e stagionali (S2S), dove tempi di previsione lunghi e calibrazioni guidate dal dominio sono essenziali. Per affrontare questo problema, introduciamo Swift, un modello di consistenza a singolo passo che, per la prima volta, consente il fine-tuning autoregressivo di un modello di flusso di probabilità con un obiettivo di punteggio di probabilità classificata continua (CRPS). Ciò elimina la necessità di ensemble multi-modello o perturbazioni dei parametri. I risultati mostrano che Swift produce previsioni abili ogni 6 ore che rimangono stabili fino a 75 giorni, eseguendosi 39 volte più velocemente rispetto ai modelli di diffusione all'avanguardia, raggiungendo una capacità di previsione competitiva con il sistema operazionale IFS ENS basato su modelli numerici. Questo rappresenta un passo verso previsioni ensemble efficienti e affidabili, dalla scala di medio termine a quella stagionale.

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.