U-Cast：一种意外简单且高效的前沿概率性 AI 天气预报模型
机器学习
2026-04-13 v1 人工智能
大气与海洋物理
机器学习
摘要
AI 驱动的天气预报已与传统物理基准集合相媳美，但最先进 (SOTA) 模型依赖于专业化的网络结构和巨大的计算预算，导致进入门槛较高。我们证明了这种复杂性对实现前沿性能并非必需。我们引入 U-Cast，一种基于标准 U-Net 主干网络的概率预报模型，采用简单的训练配方：先对均值绝对误差 (Mean Absolute Error) 进行确定性预训练，再使用蒙特卡罗 Dropout 进行随机性，基于连续排名概率得分 (Continuous Ranked Probability Score, CRPS) 进行短时间概率微调。结果表明，我们的模型在 1.5 度分辨率下匹配或超过 GenCast 和 IFS ENS 的概率技能，训练计算比主要基于 CRPS 的模型降低了 10 倍以上，推理延迟比扩散模型降低了 10 倍以上。U-Cast 在 12 个 H200 GPU 天内即可完成训练，并在 11 秒内生成 60 步的集合预报。这表明，搭配高效训练课程的可扩展通用架构能够在成本低廉的情况下匹配复杂的领域特定设计，将前沿概率性天气模型的训练引入更广泛的社区。我们的代码可在 https://github.com/Rose-STL-Lab/u-cast 查阅。
关键词
引用
@article{arxiv.2604.09041,
title = {U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster},
author = {Salva Rühling Cachay and Duncan Watson-Parris and Rose Yu},
journal= {arXiv preprint arXiv:2604.09041},
year = {2026}
}
备注
Our code is available at: https://github.com/Rose-STL-Lab/u-cast