Sonny：中期予報における計算の壁を破る

arXiv cs.LG / 2026/3/24

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、中期の天気予報向けに、計算のハードルを下げることを目的とした効率的な階層型トランスフォーマー「Sonny」を紹介する。これは、学術研究グループが取り組みやすくするための設計である。
Sonnyの2段階のStepsNetアーキテクチャは、広域の大気ダイナミクスを捉えるための細い遅いパスと、熱力学的な相互作用を統合するための全幅の速いパスを用いる。
追加のファインチューニングなしで中期のロールアウト時の安定性を改善するために、モデルは学習中に指数移動平均（EMA）を適用する。
WeatherBench2で評価した結果、Sonnyは中期予報における堅牢なスキルを達成し、運用上のベースラインと競争力を維持している。また、より長い熱帯のリードタイムではFastNetに対して顕著な利点を示す。
著者らは、Sonnyが単一のNVIDIA A40 GPUで約5.5日という期間で収束まで学習できると報告しており、計算負荷の高い従来の深層学習モデルよりも現実的なアプローチであることを示している。

概要: 気象予測は、高インパクトな大気イベントから生命とインフラを守るための基礎的な課題です。近年、深層学習に基づくデータ駆動型の気象予測手法が有力な性能を示しており、多くの場合、運用上の数値シミュレーション・システムに匹敵する精度に達しています。しかし、既存の多くのモデルは大規模な学習設定と計算負荷の高いアーキテクチャに依存しているため、計算資源が限られた学術グループにとっては実用上の障壁が高くなっています。ここでは、Sonnyという効率的な階層型トランスフォーマーを提案し、妥当な計算予算の範囲に収まりつつ競争力のある中期（ミディアムレンジ）予測性能を実現します。Sonnyの中核には、2段階のStepsNet設計があります。まずは狭いスローパスで大規模な大気力学をモデル化し、その後、フル幅のファストパスで熱力学的相互作用を統合します。追加の微調整（ファインチューニング）段階なしに中期のロールアウトを安定させるため、学習中に指数移動平均（EMA）を適用します。WeatherBench2において、Sonnyは堅牢な中期予測スキルを示し、運用ベースラインと競争力を維持しつつ、特に延長した熱帯（トロピカル）リードタイムにおいてFastNetに対して明確な優位性を示します。実運用上、Sonnyは単一のNVIDIA A40 GPUで約5.5日程度にて、収束するまで学習可能です。