Hierarchical Graph Networks for Accurate Weather Forecasting via Lightweight Training
Thomas Bailie, S. Karthik Mukkavilli, Varvara Vetrova and Yun Sing Koh
气候事件产生于由全球规模驱动因素支配的错综复杂的多元动态,对食品、能源和基础设施产生深远影响。 然而,准确的天气预报仍然难以捉摸,因为物理过程在不同的时空尺度上展开,而固定分辨率的方法无法捕获。 分层图形神经网络(HGNN)提供了多尺度表示,但非线性向下映射通常会消除全球趋势,削弱物理学与预测的整合。 我们介绍了HiFlowCast及其集成变体HiAntFlow,HGNN,将物理嵌入多尺度预测框架中。 两项创新支撑着他们的设计:一种在向下遍历期间保持全球趋势的潜伏记忆保留机制,以及一个将不同尺度的PDE解决方案领域集成在一起的潜伏-物理分支。 我们的 Flow 模型在 13 天交货期将错误减少了 5% 以上,在第 1 和第 99 次分位数极端下减少了 5-8% 的错误,提高了罕见事件的可靠性。 利用预训练的模型权重,它们在一个时代内收敛,降低了训练成本和碳足迹。 这种效率至关重要,因为机器学习规模越来越大,挑战了可持续性,限制了研究的可访问性。 代码和模型权重在补充材料中。
Climate events arise from intricate, multivariate dynamics governed by global-scale drivers, profoundly impacting food, energy, and infrastructure. Yet, accurate weather prediction remains elusive due to physical processes unfolding across diverse spatio-temporal scales, which fixed-resolution methods cannot capture. Hierarchical Graph Neural Networks (HGNNs) offer a multiscale representation, but nonlinear downward mappings often erase global trends, weakening the integration of physics into fo...