Sonny：突破中长期天气预报计算瓶颈的高效层次化转换模型
机器学习
2026-03-24 v1 人工智能
计算机视觉与模式识别
大气与海洋物理
摘要
天气预报是保护生命和基础设施免受高影响大气事件威胁的基本问题。最近，基于深度学习的数据驱动天气预报方法显示出强大的性能，常常达到与操作性数值系统竞争的准确度。然而，许多现有模型依赖大规模训练方案和计算密集型架构，这会提高面向有限计算资源的学术团队的实际门槛。本文介绍 Sonny，这是一个高效的层次化转换模型，在保持合理计算预算的前提下实现了具竞争力的中长期预报性能。Sonny 的核心是两阶段 StepsNet 设计：狭窄的慢速路径首先建模大尺度大气动力学，随后宽幅的快速路径整合热力学相互作用。为在无需额外微调阶段的情况下稳定中长期滚动预测，我们在训练期间应用指数移动平均（EMA）。在WeatherBench2上，Sonny 能实现稳健的中长期预报技能，保持与操作基准的竞争力，并在扩展的热带 lead 时间上相较FastNet 显示出明显优势。实际情况下，Sonny 可在约5.5天内在单块NVIDIA A40 GPU 上训练收敛。
引用
@article{arxiv.2603.21284,
title = {Sonny: Breaking the Compute Wall in Medium-Range Weather Forecasting},
author = {Minjong Cheon},
journal= {arXiv preprint arXiv:2603.21284},
year = {2026}
}