摘要：准确的天气预报能够帮助人们降低灾害天气带来的损失，并更好地利用风能等清洁能源。传统基于物理定律的预测模型计算量大[1]，而基于机器学习的方法难以获取可靠的不确定性信息[2], [3]。

准确的天气预报能够帮助人们降低灾害天气带来的损失，并更好地利用风能等清洁能源。传统基于物理定律的预测模型计算量大[1]，而基于机器学习的方法难以获取可靠的不确定性信息[2], [3]。

最新一项发表在Nature的工作通过基于条件扩散（conditional diffusion）的模型[4]- GenCast实现了准确高效并且含有概率信息的天气预报[3]。

该方法的主要原理是用之前两个时间点的天气信息作为限制，结合从传统数据“学习”天气变化规律[5]，从随机噪声出发逐渐生成后续时间点的天气信息。进一步，通过多次随机噪声添加与去噪过程，就可以获取天气状态概率分布信息[3]。

GenCast基于条件扩散实现天气预测[3]。

研究人员后续结合与传统模型的比较发现GenCast在绝大部分情况下比传统方法更时空精准地预测天气；特别是对于灾害天气，比如台风等，带来更有价值的预测[3]。

GenCast可以准确预测台风路径[3]。

该项工作的通讯作者是Google DeepMind Matthew Willson、Remi Lam、Peter Battaglia以及Ilan Price等研究人员；2024年12月4日发表在Nature[3]。

Comment(s):

很重要的工作，再一次展示了扩散模型的灵活与通用性。

类似的扩散模型或许还能用来预测股市，实现对某些概念板块做出的有价值预测；其中的关键应该是用可靠全面的经济与股市相关数据来训练模型。

参考文献：

[1] P. Bauer, A. Thorpe, and G. Brunet, “The quiet revolution of numerical weather prediction,” Nature, vol. 525, no. 7567, pp. 47–55, 2015, doi: 10.1038/nature14956.

[2] R. Lam et al., “Learning skillful medium-range global weather forecasting,”Science (80-. )., vol. 2336, no. November, pp. 31–41, Nov. 2023, doi: 10.1126/science.adi2336.

[3] I. Price et al., “Probabilistic weather forecasting with machine learning,”Nature, 2024, doi: 10.1038/s41586-024-08252-9.

[4] J. Sohl-Dickstein, E. Weiss, N. Maheswaranathan, and S. Ganguli, “Deep Unsupervised Learning using Nonequilibrium Thermodynamics,” in Proceedings of the 32nd International Conference on Machine Learning, F. Bach and D. Blei, Eds., in Proceedings of Machine Learning Research, vol. 37. Lille, France: PMLR, 2015, pp. 2256–2265. [Online]. Available: https://proceedings.mlr.press/v37/sohl-dickstein15.html

[5] H. Hersbach et al., “The ERA5 global reanalysis,” Q. J. R. Meteorol. Soc., vol. 146, no. 730, pp. 1999–2049, Jul. 2020, doi: https://doi.org/10.1002/qj.3803.

原文链接：

来源：科学奇妙元素