Google、WeatherNext 2のコードと重みを公開　完全版モデルの推論にはH100クラスのメモリが必要

Google DeepMindは、WeatherNext 2をクラウド上のデータサービスから、ダウンロード、改変、独自推論が可能な研究用モデルへと拡張した。新たに公開されたリポジトリには、Functional Generative Network（FGN）アーキテクチャ、正規化および自己回帰型rolloutのツール、サイクロントラッカー、学習損失、複数の事前学習済み重みが含まれる。コードにはApache 2.0、その他の資料にはCC BY 4.0が適用される。研究者はBigQuery、Earth Engine、Weather Labを通じて既存の予報を読み取るだけでなく、大気の初期状態から独自のアンサンブル予報を生成できるようになった。

WeatherNext 2は約0.25度、赤道付近では約30キロメートルに相当するグリッドで動作し、6時間刻みで最長15日先まで予報する。公開された運用版はECMWF HRESの初期条件から開始し、学習データは2024年までを対象としている。同じモデルで気温、気圧、風場に加え、サイクロンの進路も生成できる。FGNはモデルの重みにランダム性を注入し、単一の初期状態から相互に整合した複数の気象シナリオをサンプリングする。前世代のGenCastのように、完全な条件付き拡散プロセスを実行する方式ではない。

ハードウェア要件は依然として高い。公式説明によると、Mini以外のバージョンをGPUで実行するにはH100クラスのGPUメモリが必要で、attention実装の切り替えも求められる。ローカルテスト向けの解像度1度のMini版はP100または無料のTPUで実行できるが、完全版モデルと同等の精度を再現することは想定されていない。完全な学習にはERA5とHRESのデータも必要であり、そのライセンス費用やダウンロードコストはリポジトリに含まれない。

今回の公開により、気象研究者はアンサンブルのキャリブレーション、地域別バイアス、極端現象における失敗パターンを直接検証できるほか、異なる初期データや後処理手法もテストできる。今後は、第三者が論文に示されたサイクロンの強度、発生、進路に関する結果を再現できるか、また未学習の年や異なる海盆でもモデルの優位性が維持されるかが焦点となる。GoogleはAPIが後方互換性を失う可能性があることも明記しており、このモデルは実験的なシステムに位置付けられる。防災に関する判断では、引き続き各国の気象機関による公式予報を基準とすべきだとしている。