Swift: 효율적 기상 예측을 위한 자기회귀적 일관성 모델

초록

확산 모델은 물리적 기반을 가진 확률적 기상 예측 프레임워크를 제공하지만, 일반적으로 추론 과정에서 느리고 반복적인 솔버에 의존하기 때문에 장기 예측과 도메인 기반 보정이 필수적인 계절 내에서 계절적(Subseasonal-to-Seasonal, S2S) 응용에는 실용적이지 않다. 이를 해결하기 위해, 우리는 단일 단계 일관성 모델인 Swift를 소개한다. 이 모델은 처음으로 연속 순위 확률 점수(Continuous Ranked Probability Score, CRPS) 목적 함수를 사용하여 확률 흐름 모델의 자기회귀적 미세 조정을 가능하게 한다. 이를 통해 다중 모델 앙상블이나 매개변수 섭동이 필요 없어진다. 결과는 Swift가 6시간 간격의 숙련된 예측을 생성하며 최대 75일 동안 안정적으로 유지되며, 최신 확산 모델 기준선보다 39배 빠르게 실행되면서도 수치 기반의 운영 IFS ENS와 경쟁력 있는 예측 능력을 달성함을 보여준다. 이는 중기에서 계절적 규모까지 효율적이고 신뢰할 수 있는 앙상블 예측으로 나아가는 한 걸음을 의미한다.

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: 효율적 기상 예측을 위한 자기회귀적 일관성 모델

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

초록

Support