发表机构
University College London; University of Oxford（伦敦大学学院; 牛津大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究针对扩散模型生成天气集合时迭代采样成本高的问题，提出有监督能量距离蒸馏方法，将多步扩散教师模型压缩为单步学生模型，在全球预报和台风路径预测中表现优于现有方法。
AI 中文摘要
扩散模型可生成具有良好技巧的天气集合，但需要昂贵的迭代采样。我们提出一种有监督能量距离蒸馏方法，通过将学生模型的预测与教师样本及真实观测对齐，将多步扩散教师模型压缩为单步学生模型。在全球预报和台风路径预测实验中，该学生模型优于现有蒸馏方法，保留了极端事件的预报技巧，在每个自回归步骤仅使用一次神经网络函数评估的情况下，在关键指标上与教师模型相当或超越教师模型。
英文摘要
Diffusion models generate skillful weather ensembles but require costly iterative sampling. We introduce a supervised energy-distance distillation method that compresses a multi-step diffusion teacher into a single-step student by aligning student forecasts with teacher samples and ground-truth observations. Experiments on global forecasting and typhoon-track prediction show that our student outperforms existing distillation methods and preserves skill for extreme events. It matches or surpasses the teacher across key metrics using only one neural function evaluation per autoregressive step.
