ترجمه فارسی مقاله Metmamba: پیش بینی آب و هوا منطقه ای با مدل Mamba مکانی-زمان

چکیده

Deep Learning based Weather Prediction (DLWP) models have been improving rapidly over the last few years, surpassing state of the art numerical weather forecasts by significant margins. While much of the optimization effort is focused on training curriculum to extend forecast range in the global context, two aspects remains less explored: limited area modeling and better backbones for weather forecasting. We show in this paper that MetMamba, a DLWP model built on a state-of-the-art state-space model, Mamba, offers notable performance gains and unique advantages over other popular backbones using traditional attention mechanisms and neural operators. We also demonstrate the feasibility of deep learning based limited area modeling via coupled training with a global host model.

چکیده به فارسی (ترجمه ماشینی)

مدل های پیش بینی آب و هوا مبتنی بر یادگیری عمیق (DLWP) طی چند سال گذشته به سرعت در حال بهبود است و از وضعیت پیش بینی آب و هوای عددی هنر با حاشیه های قابل توجه فراتر رفته است.در حالی که بخش اعظم تلاش بهینه سازی بر روی برنامه درسی آموزش برای گسترش دامنه پیش بینی در زمینه جهانی متمرکز شده است ، دو جنبه کمتر مورد کاوش قرار می گیرد: مدل سازی محدود منطقه و ستون فقرات بهتر برای پیش بینی آب و هوا.ما در این مقاله نشان می دهیم که Metmamba ، یک مدل DLWP ساخته شده بر روی یک مدل پیشرفته از فضای فضایی ، Mamba ، سود عملکرد قابل توجهی و مزایای منحصر به فرد نسبت به سایر ستون فقرات محبوب را با استفاده از مکانیسم های توجه سنتی و اپراتورهای عصبی ارائه می دهد.ما همچنین امکان سنجی مدل سازی منطقه محدود مبتنی بر یادگیری عمیق را از طریق آموزش همراه با یک مدل میزبان جهانی نشان می دهیم.