Otter Weather：熟练且计算高效的中期天气预报

最先进的中程人工智能天气模型可以超越传统的数值天气预报 (NWP)，但需要大量的训练预算。这限制了资源不足群体的使用，并严重限制了模型的快速迭代。在这里，我们开发了 Otter Weather，这是一种高效的时空预报模型，旨在通过人工智能实现高性能天气预报的民主化。使用标准 WeatherBench 协议以 1.5° 分辨率对 ERA5 再分析数据进行评估后，Otter 系列显着推进了技能计算 Pareto 前沿。确定性版本在 24 小时交付时间内的性能比最佳 NWP 基线高出 9.6%，同时所需的训练时间不到 3.5 A100 天。与轻量级 AI 模型相比，它的效率提高了 2 倍，与资源密集型前沿架构相比，计算量减少了 100 倍。我们通过连续排名概率得分 (CRPS) 进行训练，将这些效率提升扩展到概率预测中。扩展到更大的架构后，Otter-XL 的 CRPS 比 IFS ENS 基线提高了 9.7%。在类似的计算预算下，与同类轻量级模型相比，预测能力几乎提高了两倍。 Otter-XL 的性能也比 GenCast 等前沿架构高出 2% 以上，同时使用的计算量却少了一个数量级。最后，Otter 被开箱即用地应用于复杂的声学散射 PDE 任务，它的性能优于最先进的基础建模方法，这表明这里取得的进展可能适用于一系列科学领域。