FourCastNet 3：面向大规模概率机器学习天气预报的几何方法
机器学习
2025-07-21 v2 大气与海洋物理
摘要
FourCastNet 3 通过实施一种可扩展的、针对概率 ensemble 预报的几何机器学习（ML）方法，推进了全球气候建模。该方法旨在尊重球面几何，准确建模问题的空间相关概率本质， resulting in stable spectra and realistic dynamics across multiple scales. FourCastNet 3 的预测准确率超过领先的传统 ensemble 模型，甚至与最佳扩散方法相当，同时比这些方法快 8 至 60 倍。在其他 ML 方法之外，FourCastNet 3 在概率校准性方面表现出色，即使在 60 天的延长预报时间下，也能保持真实的谱系。所有这些进展都通过一个纯粹为球面几何量身定制的卷积神经网络架构实现。通过在 1024 块 GPU 及以上进行大规模高效训练，得益于一种新颖的训练范式，灵感来自经典数值模型中的域分解方法，实现了模型与数据并行的结合。此外，FourCastNet 3 使单块 GPU 的快速推理成为可能，在 0.25{\deg}、6 小时一次的全球 60 天预报在 4 分钟内完成。其计算效率、中期概率技能、谱系忠实性以及在亚季节尺度上的滚动稳定性，使其成为通过大规模 ensemble 预测改进气象预报和早期预警系统的强有力候选人。
引用
@article{arxiv.2507.12144,
title = {FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale},
author = {Boris Bonev and Thorsten Kurth and Ankur Mahesh and Mauro Bisson and Jean Kossaifi and Karthik Kashinath and Anima Anandkumar and William D. Collins and Michael S. Pritchard and Alexander Keller},
journal= {arXiv preprint arXiv:2507.12144},
year = {2025}
}