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

French

Les processus atmosphériques non résolus peuvent introduire une dépendance de l'histoire au-delà des fenêtres d'entrée courtes utilisées par de nombreux modèles de prévisions météorologiques. Nous présentons GraphCast--Mamba, qui augmente une colonne vertébrale de GraphCast congelée et prétrainée $1\circ$ avec une branche de correction de Mamba formable combinant le passage des messages graphiques et les couches de Mamba. La branche conserve un état de mémoire temporelle à travers des étapes de prévisions successives de six heures, apprenant des corrections informées par le contexte temporel au-delà de l'entrée à deux frames de GraphCast. La formation est limitée à la branche de correction, en utilisant

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