MR-GNF: 楕円体メッシュ上の多分解能グラフニューラル予測による効率的な地域気象予測

概要: 気象予報は、人工知能（AI）が複雑でマルチスケールな物理系を学習するのに理想的なテストベッドを提供します。従来の数値天気予報は、頻繁な地域更新に対して計算コストが高く、解像度の高いネストは境界結合を集中的に必要とします。私たちは Multi-Resolution Graph Neural Forecasting (MR-GNF) を紹介します。軽量で物理学に配慮したモデルで、地球の楕円体形の多スケールグラフ上で短期の地域予測を直接実行します。フレームワークは、0.25{} の関心領域を 0.5{} の文脈ベルトと 1.0{} の外部ドメインと結合し、明示的なネスト境界なしに連続的なクロススケールのメッセージ伝達を可能にします。その軸方向のグラフアテンションネットワークは、圧力レベルをまたぐ垂直自己注意と、地表ノードを横断する水平グラフアテンションを交互に用い、わずか 1.6M パラメータで暗黙的な3次元構造を捉えます。ERA5再解析データ（1980-2024）を用いて40年間訓練され、MR-GNF は英国・アイルランド域を対象とした地表近傍の温度、風、降水の安定した +6 h から +24 h の予測を提供します。総計算コストが単一の RTX 6000 Ada で 80 GPU時間未満にもかかわらず、モデルはより重い地域AIシステムと同等またはそれ以上の性能を発揮し、スケールを跨いで物理的一貫性を維持します。これらの結果は、グラフベースのニューラル演算子が NWP のコストの一部で信頼性の高い高解像度の天気予測を達成できることを示しており、AI駆動の早期警戒および再生可能エネルギー予測システムへの実用的な道を開きます。プロジェクトページとコード: https://github.com/AndriiShchur/MR-GNF
返却形式: {"translated": "翻訳されたHTML"}