Google的新AI模型——FGN的原理

PRTF

PART5 总结
  研究结果表明，FGN模型相较于以往的机器学习模型在边缘预测分布能力、联合分布相关性结构和热带气旋路径的预测等方面均有显著改进，它采用独立训练模型集合来捕捉认知不确定性，并能轻松地进行自回归训练。
最显著的研究成果是联合分布协方差，原因是其中涉及到的随机性的一系列步骤和转换方式，正是因为前面所讲的条件归一性的相关设置，使得随机性的源头被束缚在很小的范围内，而输出分布又可以覆盖很大范围，需要注意的是，这与输出网格的分辨率无关。但是模型仍存在不足和局限性：1. 处理器网格结构的“蜂窝状”结构，这种结构将出现在一些输出中，这些输出一般具有较小损失权重，如图所示 2. 模型的随机种子经过特定训练之后仍会产生多次不稳定的结果。

总而言之，FGN建模过程为天气预报中的AI模型提供了一种新的通用方法，该方法具有可拓展性，标志着AI将统计学方法应用于复杂的学习问题之一方面取得了关键进展。

补充与讨论：1.模型的训练过程是多阶段的，团队利用二次采样将6小时一报调整为12小时一报进行了实验，大气与地面要素的累计量（如累计降水量）会进行重新统计。
2. 模型的超参数
3.团队还对FGN做了个消融实验(Ablations)，如接下来的两幅图所示，上图表示团队分别采用与FGN相同的时间报点、相同的基本模型数、相同的容量来进行CRPS测试，结果显示，FGN基本上会比Gencast更优，可以更有效的捕捉到空间和要素的相关性；下图是对热带气旋轨迹概率预测上的相对误差方差（REV），由图可见，FGN的多种变体都在预测中占优，同时，前文所述的增加的自回归训练可以进一步提升REV指标。

PRTF

附：该模型(FGN)的系集预报(FNV3)与之前的Gencast可查看另一位气象爱好者制作的网站——菜园子天气栈https://www.smca.fun/nwp_TC_forecast_ai_FNV3_ensemble.html

参考文献：
[1]Ferran Alet, Ilan Price, Andrew El-Kadi, Dominic Masters, Stratis Markou , Tom R. Andersson , Jacklynn Stott , Remi Lam , Matthew Willson , Alvaro Sanchez-Gonzalez and Peter Battaglia.Skillful joint probabilistic weather forecasting from marginals[EB/OL].Google Deepmind,2025-6-13.
[2]Balaji Lakshminarayanan Alexander Pritzel Charles Blundell.Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles[EB/OL].Google Deepmind,2017-12-4.
[3]Anonymous authors.FUNCTIONAL RISK MINIMIZATION[EB/OL].Under review as a conference paper at ICLR 2023,2023-2-1.

PRTF

完结！

xiaoqianWX

感觉楼主这个写的太复杂了，他本身是一个很直观的东西，架构大概就是：
Spatial input*2(X t, X t-1) concat (x pres level, grid size) -> GNN enc -> latent(768, latent dim) -> Model AR pred X t+1 -> GNN dec -> Output

fCRPS什么的我讲意义也不大，可能还没AI讲的明白，整体上这个模型更像是把近期的成果想法集中在一起，scale一下模型，加一点trick得来的，没有什么重大的创新点，但是他确实是效果好