時空間天気データに向けたスケーリング則解析の拡張

概要: 計算最適なスケーリング則は、NLPやCVに対して比較的よく研究されており、目的は通常単一ステップで、ターゲットも比較的均質です。同じ枠組みで天気予報を特徴づけるのはより困難です。というのも、自己回帰的なロールアウトでは長いホライズンにわたって誤差が累積するためであり、出力は多くの物理チャネルを異なるスケールと予測可能性とともに結合し、さらにグローバルにプールしたテスト指標は、短いホライズンでの学習が示唆するチャネル別・後半リード時の挙動と鋭く食い違うことがあるからです。本研究では、自己回帰的な天気予報に対するニューラル・スケーリング解析を、単一ステップの学習損失から長いロールアウトおよびチャネル別指標へと拡張します。私たちは(1) 予測誤差が各チャネルにどのように分布するか、そしてその成長率が予報ホライズンとともにどのように変化するか、(2) プールした誤差をグローバルに集約したときのロールアウト長に対して、テスト誤差に冪乗則スケーリングが成り立つか、(3) パラメータ・データ・計算に基づくスケーリング軸に関して、ホライズンとチャネルを同時に変えたときにその当てはまりがどのように変わるか、を定量化します。結果として、チャネル間およびホライズン間で強い異質性が見られます。プールしたスケーリングは良好に見える一方で、多くのチャネルは後半リードで劣化します。重み付き目的関数、ホライズンを考慮したカリキュラム、そして出力間での資源配分への影響について議論します。