MeteoSwiss/Varda-single-1.0
Varda-single-1.0 !Paper(https://img.shields.io/badge/arXiv-2610.01835-b31b1b.svg)(https://arxiv.org/abs/2610.01835) !Framework(https://img.shields.io/badge/framework-Anemoi-orange)(https://anemoi.readthedocs.io/) !Run on Kaggle(https://img.shields.i...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#3 Repository Của Tuần
#4 Repository Của Tuần
🌍 Varda-single-1.0: Dự báo thời tiết 1 km miền Alps bằng Graph Transformer
Hệ thống dự báo thời tiết dựa trên AI của MeteoSwiss, kết hợp lưới toàn cầu 31 km và vùng miền Alps 1 km.
Varda-single-1.0 là hệ thống dự báo thời tiết dài hạn dựa trên dữ liệu của MeteoSwiss, sử dụng framework mã nguồn mở Anemoi. Mô hình bao gồm hai mạng Graph Transformer được huấn luyện độc lập: một bộ dự báo tự động 6 giờ và một bộ siêu độ phân giải thời gian 1 giờ. Đây là giải pháp bổ sung cho các hệ thống dự báo số học ICON-CH1/CH2-EPS truyền thống của MeteoSwiss.
✨ Điểm nổi bật
- Dự báo giờ từng giờ: Sản xuất dự báo xác định trên lưới 1 km miền Alps và 31 km toàn cầu.
- Kiến trúc hai giai đoạn: Kết hợp bộ dự báo 6 giờ tự động và bộ siêu độ thời gian 1 giờ.
- Lưới căng (stretched grid): Lưới toàn cầu 31 km được tinh chỉnh xuống 1 km miền Alps.
- Framework Anemoi: Xây dựng bằng framework mã nguồn mở do ECMWF đồng phát triển.
- Yêu cầu phần cứng thấp: Chạy trong khoảng 20 phút với 30 GB GPU memory và 14 GB RAM.
- Hỗ trợ notebook: Cung cấp notebook mẫu trên Kaggle và Colab.
- Giấy phép mở: Mô hình được công bố dưới giấy phép CC BY 4.0.
💡 Vì sao đáng chú ý
Kiến trúc hai giai đoạn giúp Varda-single-1.0 tránh tích lũy lỗi: bộ dự báo 6 giờ đưa ra dự báo ổn định, trong khi bộ siêu độ 1 giờ tái tạo các trạng thái trung gian dựa trên hai đầu múi thời gian, không lan truyền lỗi về phía trước. Thiết kế này phù hợp cho miền lưu vực phức tạp như Alps, nơi đòi hỏi độ phân giải cao để nắm bắt chính xác địa hình.
#GraphML #WeatherForecasting #Anemoi #MeteoSwiss #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
Grid Small Foundation Model (GridSFM) Model summary | Field | Value | | --- | --- | | Developer | Microsoft CorporationAuthorized representative: Microsoft Ireland Operations Limited 70 Sir John Rogerson’s Quay, Dublin 2, D02 R296, Ireland | | Descr...
AIFS Single - v0.2.1 Here, we introduce the Artificial Intelligence Forecasting System (AIFS), a data driven forecast model developed by the European Centre for Medium-Range Weather Forecasts (ECMWF). We show that AIFS produces highly skilled foreca...
Utonia: Toward One Encoder for All Point Clouds This repository contains the model weights for Utonia, a step toward one-from-all and one-for-all point cloud encoder presented in the paper Utonia: Toward One Encoder for All Point Clouds(https://arxi...
Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations This repository contains the model weights for Concerto, a novel approach for learning robust spatial representations presented in the paper Concerto: Joint 2D-3D Self-Su...
Position-based Equivariant Graph Neural Network (pos-egnn) This repository contains PyTorch model for loading and performing inference using the pos-egnn, a foundation model for Chemistry and Materials. GitHub: https://github.com/IBM/materials/tree/...
Ephris Ephris is a pretrained graph foundation model from Nums AI Inc. for node classification through graph in-context learning. It predicts query-node labels from graph features, edges and labeled context nodes, with no task-specific training. Thi...
Disya/UIGEN-T3-14B-Preview-Q4KM-GGUF This model was converted to GGUF format from Tesslate/UIGEN-T3-14B-Preview(https://huggingface.co/Tesslate/UIGEN-T3-14B-Preview) using llama.cpp via the ggml.ai's GGUF-my-repo(https://huggingface.co/spaces/ggml-o...
Cogito Estella — Latent Graph Engine (v0.7.0) Non-autoregressive decoder heads that turn SONAR (Meta) sentence embeddings directly into knowledge-graph triples — no token decoding, structurally valid by construction, 0.013 ms per concept on an RTX 5...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...