Swift: Een Autoregressief Consistentiemodel voor Efficiënte Weersvoorspelling

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

Auteurs: Jason Stock, Troy Arcomano, Rao Kotamarthi

cs.AI

Samenvatting

Diffusiemodellen bieden een fysisch onderbouwd raamwerk voor probabilistische weersvoorspellingen, maar hun gebruikelijke afhankelijkheid van trage, iteratieve oplossers tijdens inferentie maakt ze onpraktisch voor subseizoensgebonden tot seizoensgebonden (S2S) toepassingen, waar lange voorspellingstermijnen en domeingestuurde kalibratie essentieel zijn. Om dit aan te pakken, introduceren we Swift, een single-step consistentiemodel dat voor het eerst autoregressieve finetuning van een probabilistisch stromingsmodel mogelijk maakt met een continuous ranked probability score (CRPS) doelstelling. Hierdoor is multi-model ensembling of parameterperturbaties niet langer nodig. Resultaten tonen aan dat Swift vaardige 6-uurvoorspellingen produceert die stabiel blijven tot 75 dagen, en 39 keer sneller werkt dan state-of-the-art diffusiebaselines, terwijl het voorspellingsvaardigheid bereikt die concurreert met de op numerieke methoden gebaseerde, operationele IFS ENS. Dit markeert een stap in de richting van efficiënte en betrouwbare ensemblevoorspellingen van middellange tot seizoensgebonden schalen.

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.