人工智能深度学习【免费下载链接】interp-dit-crps-era5项目地址https://ai.gitcode.com/hf_mirrors/nvidia/interp-dit-crps-era5点击查看免费下载interp-dit-crps-era5是 NVIDIA 开源的全球天气预测时间插值模型基于 DiTDiffusion Transformer架构与 2D RoPE 位置编码把 6 小时一次的粗帧补帧成 10 分钟级的高时间分辨率轨迹覆盖 0.25° 全球网格上最多 73 个 ERA5 变量。下面从架构核心讲起带你快速看懂这套天气 Transformer 的设计。一、它解决什么问题给天气预报补帧气象数值模式如 IFS通常每 6 小时输出一个状态帧但许多应用需要 1 小时甚至分钟级输出。interp-dit-crps-era5 的定位就是时间插值输入基础预报模型base prognostic model相邻的两个粗帧输出区间内部按num_interp_steps细分的高频帧轨迹子步数num_interp_steps6h 区间输出频率61 h2415 min3610 min模型在 3–10 小时的不同区间宽度上训练区间宽度作为条件输入送入网络因此 6h 只是常用默认值而非唯一支持间隔。还支持区域子域模式推理时可限定在一个 bounding box 内。二、端点钉死endpoint-pinned插值的安全阀这是整个模型最巧妙的机制。对区间内相对位置tau ∈ [0, 1]输出定义为out(tau) (1 - tau) * x0 tau * xT sin(pi * tau) * f(x0, xT, cond, z)前两项是两端点状态的线性混合提供保底轨迹第三项是网络学到的修正f被sin(pi * tau)包络调制sin包络在 tau0 和 tau1 处归零意味着端点帧永远是基础模型自己的帧模型只生成区间内部——这在工程上杜绝了插值器篡改原始帧的可能也让误差天然在两端收敛为零。三、DiT 架构拆解ViT 式 patch 化 邻域注意力根据 README.md 的 Model Architecture 部分架构类型TransformerViT 风格、基于 patch 的 2D Transformer实现栈PhysicsNeMo DiT源自 DiT 原论文 Peebles Xie, 2023关键组件邻域注意力neighborhood attention 轴向 2D RoPE推理方式one-shot 单次前向预测不做扩散多步采样参数量9.8 × 10^73.1 为什么要用邻域注意力天气场有极强的局部相关性云团的边缘、锋面、对流结构在邻近格点上高度相关而大洋彼岸的天气对当前格点的插值贡献微乎其微。如果像普通 ViT 那样做全局注意力在 0.25° 全球网格上计算量随格点数平方增长代价难以承受长距离弱信号会稀释局部结构的学习强度邻域注意力让每个 patch 只与空间上邻近的 patch 交互既保留了 Transformer 对局部模式的建模能力又把计算复杂度压回线性级别——这是该模型能在全球高分辨率网格上实时推理的关键。3.2 2D RoPE让 Transformer懂经纬度2D RoPERotary Position Embedding对位置编码做了两个维度的旋转调制轴向解耦经度方向和纬度方向分别施加独立的旋转模型可以分别感知东西移动和南北移动相对位置不变性旋转编码天然表达相对距离天气系统的平移如一个气旋东移在不同地理位置上对注意力的影响一致免查表位置信息在注意力计算中动态生成不需要额外参数且可外推到未见过的区间宽度对天气 Transformer 而言这等于把经纬度几何直接写进了注意力机制。3.3 一次前向就出结果传统扩散 DiT 需要几十上百步迭代去噪。而这里利用端点钉死的公式两端点已知只缺区间内部修正项f用单次前向即可预测完成——这就是 README 强调的 one-shot prediction rather than diffusion sampling。DiT 提供了骨干网络扩散采样流程则被彻底省去。四、CRPS 训练让插值器学会不确定性模型名中的CRPS指 Continuous Ranked Probability Score连续排序概率评分一种针对连续变量概率分布的损失函数网络输出的是分布而非单点值训练目标直接优化概率预测质量推理时通过采样多组潜噪声latent noise生成集合得到插值的概率化表达集合离散度spread同样受sin(pi * tau)包络约束在区间端点处归零每个区间重新采样——物理上自洽内部网络共消费239 个通道通道组成数量说明端点状态 ×273 × 2区间两端的天气场条件通道87地表不变场、区间宽度、变量 presence mask潜噪声6驱动集合采样的随机输入条件化还包括太阳天顶角由每个生成帧的有效时间计算把昼夜光照信息注入网络这对辐射、温度变量的插值至关重要。另外 4 个变量sp、u100m、v100m、tcwv以 channel dropout 方式训练允许上游只给 69 个变量——缺失者内部用气候平均值填充输出中相应省略。五、训练数据与仓库文件一览训练数据为ERA5 逐小时再分析0.25° 全球网格、73 变量、1980–2016约 102 TB2017 年留作验证2017 之后年份用于评估。仓库本身是模型权重包文件职责清晰文件作用CRPSModel.mdlus模型权重核心资产config.json模型名称与基本配置global_means.npy / global_stds.npy73 个变量的逐变量归一化统计量set_phys.nc地表物理条件场海陆掩码、地表位势、log_z0、lai等源自 ECMWF IFS/HTESSEL 参数表ATTRIBUTION.mdERA5 数据与派生字段的来源与许可说明LICENSELinux Foundation OpenMDW 1.1 许可证六、运行环境与快速上手运行时PyTorch配合 Earth2Studio 生态中的 Earth2Studio / PhysicsNeMo DiT 代码栈加载权重硬件优化运行于 NVIDIA GPU支持 Ampere、Hopper、Ada Lovelace、Blackwell 微架构测试硬件为 H100 与 L40S系统Linux输入(batch, time, lead time, variable, latitude, longitude) 的 6D 张量 DateTime输入网格 720 × 1440纬度自 90° 递减一句话总结ViT 式 patch 骨干 邻域注意力控制算力 2D RoPE 注入经纬度几何 端点钉死公式保证物理一致性 CRPS 目标赋予概率能力——五者组合让一个不到 1 亿参数的 Transformer 成为高效的天气补帧器。使用提示将本仓库与上游预报模型的 6h 粗帧对接在推理时通过num_interp_steps即可自由选择 1h / 15min / 10min 输出频率。赞分享人工智能深度学习【免费下载链接】interp-dit-crps-era5项目地址https://ai.gitcode.com/hf_mirrors/nvidia/interp-dit-crps-era5点击查看免费下载相关推荐从确定性到概率性CRPS损失如何赋能interp-dit-crps-era5生成天气集合预报从确定性到概率性CRPS损失如何赋能interp dit crps era5生成天气集合预报 interp dit crps era5 是 NVIDIA 开源人工智能深度学习如何快速上手interp-dit-crps-era5从Hugging Face下载到首次天气插值推理的完整教程如何快速上手interp dit crps era5从Hugging Face下载到首次天气插值推理的完整教程 ️ interp dit crps era人工智能深度学习初识NVIDIA天气插值模型interp-dit-crps-era56小时粗格点预报如何变身10分钟高精度轨迹初识NVIDIA天气插值模型interp dit crps era56小时粗格点预报如何变身10分钟高精度轨迹 interp dit crps era5 是人工智能深度学习创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考