Newest papers

GraphCast-Mamba: Learning Non-Markovian Corrections for Weather Forecasting

Ilya Vilkoviskiy, Liang-Hong Mo, Suozhi Huang, Dmitry A. Abanin · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28512 · open-access PDF

Arabic

يمكن أن تشكل عمليات المناخ غير المحدودة اعتمادًا تاريخيًا خارج نافذة الدخول القصيرة المستخدمة من قبل العديد من نموذجات التوقعات الطقسية. نحن نقدم GraphCast-Mamba، الذي يزيد من قشر $1\circ$ GraphCast المفقود، مع فصيلة تعديل Mamba قابلة للتدريب التي تجمع بين إرسال الرسائل الخلفية والخلفية من Mamba. فصيلة الحفاظ على حالة الذاكرة الزمنية عبر خطوات التوقيت السنوي التالية، التعلم التعديلات التي يتم إعلامها من خلال السياق الزمني خارج إرسال بطاقة GraphCast. التدريب محدودة إلى فصيلة تعديل، باستخدام بيانات ERA5 من 2015 -2021. بعد 2500 optimizer u

Machine translation (Meta M2M100); the English original follows.

Abstract

Unresolved atmospheric processes can introduce history dependence beyond the short input windows used by many weather forecasting models. We introduce GraphCast--Mamba, which augments a frozen, pretrained $1^\circ$ GraphCast backbone with a trainable Mamba correction branch combining graph message passing and Mamba layers. The branch retains a temporal memory state across successive six-hour forecast steps, learning corrections informed by temporal context beyond GraphCast's two-frame input. Training is confined to the correction branch, using ERA5 data from 2015--2021. After 2,500 optimizer u

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange