यह शोधपत्र बड़े पैमाने के मौसम मॉडल (LWM) का उपयोग करके दीर्घकालिक पूर्वानुमानों की स्थिरता के मुद्दे पर विचार करता है। SFNO और DLWP-HPX जैसे मौजूदा मॉडल, इनपुट डेटा को गैर-मानक स्थानिक डोमेन, जैसे गोलाकार हार्मोनिक फ़ंक्शन या HEALPix मेश, में परिवर्तित करके स्थिर दीर्घकालिक पूर्वानुमान प्राप्त करते हैं। इसे भौतिक संगति और दीर्घकालिक स्थिरता के लिए आवश्यक माना गया है। इस शोधपत्र में, हम इस धारणा को चुनौती देते हैं और जाँच करते हैं कि क्या एक मानक अक्षांश-देशांतर ग्रिड पर समान दीर्घकालिक पूर्वानुमान प्रदर्शन प्राप्त किया जा सकता है। इसे प्राप्त करने के लिए, हम AtmosMJ, एक गहन संवलनात्मक तंत्रिका नेटवर्क, जो सीधे ERA5 डेटा को संसाधित करता है, प्रस्तावित करते हैं। AtmosMJ त्रुटि संचय को रोकने और दीर्घकालिक पुनरावर्ती सिमुलेशन में स्थिरता सुनिश्चित करने के लिए एक नवीन गेटेड अवशिष्ट संलयन (GRF) तंत्र का उपयोग करता है। प्रायोगिक परिणाम दर्शाते हैं कि एटमोसएमजे लगभग 500 दिनों के लिए स्थिर और भौतिक रूप से विश्वसनीय पूर्वानुमान उत्पन्न करता है, और 10-दिवसीय पूर्वानुमान सटीकता के मामले में पंगु-वेदर और ग्राफकास्ट जैसे मॉडलों के साथ प्रतिस्पर्धी है। यह भी उल्लेखनीय है कि ये परिणाम V100 GPU का उपयोग करके 5.7 दिनों के छोटे प्रशिक्षण समय में प्राप्त किए गए थे। निष्कर्षतः, यह शोधपत्र सुझाव देता है कि गैर-मानक डेटा अभ्यावेदन के बजाय कुशल आर्किटेक्चर डिज़ाइन, दीर्घकालिक मौसम पूर्वानुमान की स्थिरता और गणनात्मक दक्षता सुनिश्चित करने की कुंजी है।
