Green-NAS：面向稳健高效边缘化天气预测的全局规模多目标神经网络架构搜索
机器学习
2026-02-18 v2
摘要
我们介绍 Green-NAS，一个为低资源环境设计的多目标 NAS（神经网络架构搜索）框架，以天气预测为案例研究。该框架遵循 'Green AI' 原则，显式最小化计算能源成本和碳足迹，优先考虑可持续部署而非计算规模。Green-NAS 架构搜索方法针对模型准确率和效率进行优化，以找到轻量级模型具有高准确率和极少的模型参数；这通过一种同时优化多个目标的优化过程来实现。我们最佳的模型 Green-NAS-A 实现了 RMSE 为 0.0988（即仅为我们手动调谐的基线的 1.4%），仅使用 153k 模型参数，这是其他在全球范围内应用的天气预测模型（如 GraphCast）的 239 倍。此外，我们还描述了在有限历史天气数据可用于该城市时，使用迁移学习可将天气预测准确率提高约 5.2%，而与此相对的是，为每个城市训练新模型的天然方法。
引用
@article{arxiv.2602.00240,
title = {Green-NAS: A Global-Scale Multi-Objective Neural Architecture Search for Robust and Efficient Edge-Native Weather Forecasting},
author = {Md Muhtasim Munif Fahim and Soyda Humyra Yesmin and Saiful Islam and Md. Palash Bin Faruque and Md. A. Salam and Md. Mahfuz Uddin and Samiul Islam and Tofayel Ahmed and Md. Binyamin and Md. Rezaul Karim},
journal= {arXiv preprint arXiv:2602.00240},
year = {2026}
}
备注
Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence & Networking