Yapay zekanın hava durumu tahminindeki rolü giderek artarken, Stanford Üniversitesi'nden araştırmacılar bu alanda şaşırtıcı bir keşif yaptı. Geliştirdikleri U-Cast adlı model, karmaşık mimarilerin her zaman üstün performans için gerekli olmadığını kanıtlıyor.
Araştırma ekibi, standart U-Net omurga mimarisini kullanan olasılıksal bir hava tahmin sistemi geliştirdi. Sistemin eğitim stratejisi oldukça sade: ilk aşamada Mean Absolute Error kullanarak deterministik ön eğitim, ardından Monte Carlo Dropout ile stokastiklik sağlayarak Continuous Ranked Probability Score (CRPS) üzerinde kısa süreli olasılıksal ince ayar.
Sonuçlar oldukça etkileyici. U-Cast, 1.5 derece çözünürlükte GenCast ve IFS ENS gibi endüstri lideri modellerin olasılıksal becerisini eşitliyor hatta geçiyor. Bunu yaparken, CRPS tabanlı önde gelen modellere kıyasla 10 katından fazla az eğitim hesaplama gücü kullanıyor ve difüzyon tabanlı modellere göre çıkarım gecikme süresini 10 katından fazla azaltıyor.
Model sadece 12 H200 GPU-günü içinde eğitilirken, 15 günlük ensemble tahminleri üretebiliyor. Bu verimlilik, AI tabanlı hava tahmini teknolojilerini daha geniş araştırma topluluklarının erişimine açma potansiyeli taşıyor.