Un modelo meteorológico detalla los pronósticos globales
Efficient probabilistic weather forecasting at quarter-degree resolution with two-sided transport attention · arXiv:2610.35545
En palabras sencillas
Astra es un modelo meteorológico que genera varios pronósticos posibles para todo el planeta, en una cuadrícula detallada que se actualiza cada seis horas.
Para compartir información entre regiones lejanas sin comparar cada punto de la cuadrícula con todos los demás, el modelo elige de qué lugares leer y a cuáles enviar información. En las pruebas con el tiempo de 2020, su puntuación de pronóstico probabilístico igualó la de GenCast al promediar cinco medidas de las capas altas de la atmósfera durante los días 1–10, y fue menor en 441 de 600 combinaciones evaluadas.
La investigación
¿Puede un pronóstico probabilístico conservar información meteorológica global detallada sin el costo de comparar cada punto de la cuadrícula con todos los demás? La selección en un solo sentido puede reducir ese costo, pero podría dejar algunas regiones sin lectura.
El artículo pregunta si un modelo puede enrutar información por todo el planeta y mantener puntuaciones de pronóstico competitivas.
Astra combina el enrutamiento de información en ambos sentidos con el entrenamiento de conjuntos de pronósticos para generar pronósticos globales detallados; después, compara sus puntuaciones y el uso de recursos con los de GenCast.
El reto es generar pronósticos probabilísticos sobre una cuadrícula global detallada sin asumir el costo de comparar cada ubicación con todas las demás. La selección en un solo sentido también puede dejar algunas regiones sin lectura.
Astra enruta información en ambos sentidos entre regiones seleccionadas y entrena sus pronósticos con campos meteorológicos y características de una copia congelada del predictor. Frente a ERA5 en 732 inicializaciones de 2020, su puntuación de pronóstico probabilístico igualó la de GenCast al promediar cinco variables de las capas altas de la atmósfera y los días 1–10; en 441 de 600 combinaciones de variables y plazos de pronóstico, Astra obtuvo una puntuación menor.
El resultado respalda una calidad de pronóstico competitiva en esta prueba, junto con un menor uso de recursos según las cifras informadas.
La comparación de pronósticos abarca inicializaciones de 2020 frente a ERA5, por lo que no establece el rendimiento en otros años ni en pronósticos operativos.
Qué muestran las pruebas
- El reto de la cuadrícula global
Astra es un modelo meteorológico probabilístico que genera pronósticos globales sobre una cuadrícula de 0.25°, con actualizaciones cada seis horas. El reto es que el tiempo puede conectar lugares separados por miles de kilómetros, pero comparar cada punto de la cuadrícula con todos los demás cuesta demasiado.
Además, la selección en un solo sentido puede dejar algunos lugares sin lectura. El artículo pregunta cómo intercambiar información por toda la cuadrícula global sin que ese intercambio resulte demasiado costoso.
- Enrutamiento de información en ambos sentidos
La capa Kantorovich Attention de Astra, usada en los niveles de 1° y 2° de la red, permite que cada tesela seleccione tanto teselas de las que leer como teselas a las que enviar información. Así, otras teselas leen cada tesela con resolución de token, mientras que las demás aportan valores medios agrupados.
Este diseño responde a la falta de cobertura de la selección en un solo sentido sin exigir comparaciones densas en toda la cuadrícula.
- Prueba del diseño de enrutamiento
Los autores compararon las selecciones de enrutamiento con un plan óptimo calculado para cada matriz de puntuaciones de la red entrenada, usando la misma cantidad de pares de teselas. Al promediar las matrices de los bloques y las cabezas de la red en los niveles de 1° y 2°, la selección en ambos sentidos alcanzó entre el 94 y el 98% de la mejora del plan óptimo respecto de pares aleatorios.
Un control de un solo sentido dejó algunas teselas sin lectura en las comparaciones de enrutamiento; la construcción en ambos sentidos no dejó ninguna.
- Comparación de las puntuaciones de pronóstico
Para evaluar la calidad de los pronósticos, los autores compararon Astra y GenCast con ERA5 en las mismas 732 inicializaciones de 2020. Al promediar cinco variables de las capas altas de la atmósfera y los días 1–10, las puntuaciones de los pronósticos probabilísticos fueron iguales.
En 441 de 600 combinaciones de 20 variables de las capas altas y de superficie y 30 plazos de pronóstico, Astra obtuvo una puntuación menor. El recuento indica en cuántas combinaciones ocurrió esto, no que sucediera para todas las variables o plazos.
- Uso de recursos informado
El artículo también compara el uso de recursos de los procedimientos de entrenamiento y generación de pronósticos descritos. El cómputo de entrenamiento de Astra, normalizado por hardware, fue el 9.8% del de GenCast, según los factores de conversión indicados.
Para un miembro de pronóstico de 15 días, Astra requirió 1.9 PFLOP de operaciones contadas, frente a 75 PFLOP para la implementación publicada de GenCast en GPU. Estas comparaciones no establecen que los procedimientos de entrenamiento fueran equivalentes ni el tiempo de ejecución en hardware idéntico.
Detalles
- Autores del paper original
- Junu Choi, Youngjoon Hong
- Enviado a arXiv
- Licencia
- arXiv non-exclusive