Swift: 効率的な天気予報のための自己回帰的整合性モデル

要旨

拡散モデルは確率的な天気予報に対して物理的に基づいたフレームワークを提供しますが、推論時に遅い反復ソルバーに依存するという特性のため、長期のリードタイムとドメイン駆動のキャリブレーションが不可欠なサブシーズナルからシーズナル（S2S）のアプリケーションには実用的ではありません。この課題に対処するため、我々はSwiftを導入しました。これは、確率流モデルを連続ランク確率スコア（CRPS）目的関数で自己回帰的に微調整することを可能にする初めての単一ステップの一貫性モデルです。これにより、マルチモデルアンサンブルやパラメータ摂動の必要性がなくなります。結果は、Swiftが6時間ごとの熟練した予測を生成し、最大75日間安定しており、最先端の拡散ベースラインよりも39倍高速に動作しながら、数値ベースの運用IFS ENSと競争力のある予測技能を達成することを示しています。これは、中範囲から季節スケールまでの効率的で信頼性の高いアンサンブル予報に向けた一歩を記すものです。

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.

Swift: 効率的な天気予報のための自己回帰的整合性モデル

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

要旨

Support