Skillful seasonal forecasts with a freely evolving AI weather model

テクニカルサマリー：自由に進化するAI気象モデルによる巧みな季節予報

問題提起
季節予報は、農業、エネルギー、公衆衛生における意思決定に不可欠であるが、大気のダイナミクスのカオス的な性質により、依然として困難な課題である。SEAS5のような現在の最先端のオペレーショナル・システムは、確率的な予報を生成するために、計算コストの高い大気・海洋・海氷の結合アンサンブルに依存している。人工知能（AI）は中期的（最大2週間）な気象予測やサブ季節予報において成功を収めているが、既存のAI手法は、広範かつ多変数な季節スキルの獲得には至っていない。従来のAI手法は、集約されたターゲットを予測するか、境界条件（例：海面水温偏差を固定する）を規定するか、あるいは地球システム全体の広範な予報スキルを定量化することなく長期ロールアウトにおける安定性を示すにとどまっていた。6ヶ月の期間にわたって、結合された大気および表面状態を自由に進化させつつ、動的モデルと同等のスキルを維持できる単一のAIモデルを実現することには、まだギャップが存在する。

手法：ファンクショナル・グラフ・トランスフォーマー（FGT）
著者らは、最大6ヶ月間、大気および表面の状態を自律的に進化させるために設計された確率的AI予報システムである、ファンクショナル・グラフ・トランスフォーマー（FGT）を導入する。

• アーキテクチャ: FGTは、局所的な正二十面体アテンション演算子（Appa）に基づいた、完全アテンション型のグラフU-Netを利用している。このモデルは、大気、表面、放射、海面水温（SST）、海氷濃度、および土壌水分の場を処理する。モデルは、直前の2日間の状態を入力として、日次の状態を進展させる。スケール内での自己アテンションと、解像度間のクロスアテンションを採用し、スキップ接続によって異なるスケール間でダイナミクスを伝播させる。残差更新を予測するモデルとは異なり、FGTは次の状態を直接予測することで、長期ロールアウト中の高周波アーティファクトの蓄積を回避する。
• 確率的生成: 本システムは、関数的なノイズ・コンディショニングを用いてアンサンブルメンバーを生成する。各メンバーは、一度サンプリングされ、ロールアウト全体を通じて固定される個別の64次元ノイズベクトルによって条件付けられる。これにより時間的な一貫性が確保される。
• 学習戦略: 6ヶ月間の自己回帰ステップのバックプロパゲーションに伴う計算の困難に対処するため、FGTは「ウィンドウ化されたプッシュフォワード（windowed pushforward）」学習スキームを採用している。モデルは180日の自己回帰ロールアウトで学習されるが、勾配は3つの特定のスコアリング・ウィンドウ（開始付近、ランダムにサンプリングされた中間点、および終了付近）内でのみ保持される。これにより、モデルは気象、サブ季節、および季節のリードタイムにわたって自身の予測にさらされることになる。
• 推論とキャリブレーション: 推論時、システムは短い事前初期化ウィンドウを経て300個の候補軌跡を生成する。これらは、初期化時に利用可能なデータのみを用いて、観測された初期条件を再現する能力に基づいてランク付けされる。上位51個の候補が最終的なアンサンブルを形成するために保持される。このプロセスは、アンサンブルのキャリブレーションを改善し、過分散を抑制するように設計されている。
• データと範囲: モデルは、1°解像度のERA5日平均場（1959–2019年）を用いて学習され、2020–2026年期間に対して評価される。モデルは、表面変数の境界条件を規定することなく、SST、海氷、土壌水分、および様々な気圧レベルの場を含む56の変数を予測する。

主な貢献

1. 初の広範なスキルを持つ自由進化型AIモデル: FGTは、境界条件を規定することなく、大気、海洋表面、海氷、および土壌水分を自律的に進化させ、広範な季節スキル（数日から数ヶ月）を達成した最初のAIシステムとして提示される。
2. SEAS5とのマッチド比較: 著者らは、運用モデルであるSEAS5（同一グリッド、初期化日、アンサンブルサイズ、および指標）との厳密なマッチド比較を提供している。
3. クロスホライゾンにおける能力: 本研究は、単一のモデルが気象（第1週）、サブ季節（第1〜6週）、および季節（第1〜6ヶ月）のホライゾンにわたってスキルを維持できることを示しており、異なるタイムスケールのための別個のモデルの必要性に疑問を投げかけている。

結果

• 気候値に対するスキル: 6ヶ月の予報において、FGTは評価された指標・変数・リードタイムの組み合わせ（1,285 / 1,344）の96%において、トレンドを考慮した気候値（climatology）を上回っている。このスキルは、降水量、平均海面気圧、および風を含む、大気および表面の場に分布している。
• SEAS5に対するスキル保持: マッチド比較において、FGTはSEAS5のスキルの77%のケースで少なくとも80%を保持し、92%のケースで50%以上を保持している。SEAS5は一般に、海面水温および地表付近の気温（特に海洋上）においてFGTを上回るが、FGTは広範な領域において降水量および地表付近の東西風において競争力のある、あるいは優れた性能を示す。
• 表面進化の影響: 表面変数（SST、海氷、土壌水分）を自由に進化させることで、有用なエルニーニョ・南方振動（ENSO）の変動性が保持され、降水量のスキルが向上することが本研究で示された。逆に、表面のアノマリーを継続させること（他のAI季節予報研究における一般的な手法）は、降水量の予報スキルを低下させる。
• 高影響イベント: FGTは、特定の高影響イベント（例：2020年のインドの豪雨、2022年の東アフリカの干ばつ）に対して有望な確率的挙動を示しており、多くの場合、SEAS5よりもアノマリーの符号と広範な空間パターンを正確に捉えているが、振幅の誤差は依然として存在する。
• サブ季節のパフォーマンス: FGTは、第1〜6週においてサブ季節AIモデルであるFuXi-S2Sを上回り、第1週においては中期的専門モデル（GenCast, FGN）とも競争力のある性能を維持している。これは、長期ロールアウトの学習が短期的なスキルを劣化させないことを示唆している。
• 計算効率: 1°解像度で51メンバーの6ヶ月アンサンブルを生成するのに、単一のNVIDIA A100 GPUで約19分を要する。これは、結合ダイナミカル・ベンチマーク（IFS–NEMO）を外挿する場合と比較して、計算量が約6桁減少していることを意味する。

意義と主張
本論文は、FGTが気象、サブ季節、および季節予報の間のギャップを埋め、「シームレスな予測」という目標を前進させるものであると主張している。著者らは、FGTが単に安定しているだけでなく、「巧み（skillful）」であり、気候値に対して有意な改善を実現し、最先端のダイナミカルモデルに対して実質的なスキルを保持していることを強調している。

FGTとSEAS5の間に残されたギャップは、失敗ではなく、科学的に有益な情報として提示されている。著者らは、SSTやダイポールモード指数のスキルの低下は、表面のみの海洋進化では不十分であることを示しており、将来のAIモデルにおける、より深い海中の変数やより豊かな陸域状態の表現の必要性を指摘している。本研究は、AI予報が数日から数シーズンの有用なスキルを維持できることを結論付けており、将来の研究が海洋ダイナミクスの表現を改善し、長期的な不確実性のキャリブレーションに対処できれば、長期間の地球システム予測における新たな領域を切り拓くものであるとしている。