Aurora: Microsofts sprong naar een foundation AI-model voor de aardatmosfeer

Naarmate de opwarming van de aarde intensifieert, worstelen gemeenschappen over de hele wereld met de verwoestende gevolgen. De onophoudelijke stijging van de uitstoot van broeikasgassen zet extreme weersomstandigheden, verwoestende natuurrampen en een toename van klimaatgerelateerde ziekten in gang. Weersvoorspellingsystemen zijn onze eerste verdedigingslinie tegen deze uitdagingen, maar traditionele methoden, die afhankelijk zijn van menselijke experts, hebben moeite om bij te blijven. De vernietiging veroorzaakt door storm Ciarán in 2023 maakte duidelijk dat we betere voorspellingsmodellen nodig hebben. Maar de aardatmosfeer, met zijn complexe weerspatronen, chemische interacties en diverse invloeden, blijft een uitdaging om te voorspellen. Microsoft heeft onlangs een doorbraak behaald in het aanpakken van deze uitdagingen. Zij ontwikkelden een AI-model van de aardatmosfeer, genaamd Aurora, dat kan worden gebruikt voor weersvoorspelling, luchtkwaliteitsbewaking en meer. Dit artikel gaat dieper in op deze ontwikkeling, waarin Aurora, zijn toepassingen en zijn impact buiten weersvoorspellingen worden onderzocht.

Introductie van Aurora

Aurora is een baanbrekend AI-model van de aardatmosfeer, ontworpen om een verscheidenheid aan voorspellingsuitdagingen aan te pakken, van extreme weersomstandigheden tot luchtkwaliteitsbewaking en zowel korte als middellange weersvoorspellingen. Wat Aurora onderscheidt, is zijn training op meer dan een miljoen uur aan diverse weers- en klimaatsimulaties, waardoor hij een diep begrip van veranderende atmosferische processen heeft. Dit stelt Aurora in staat om uit te blinken in voorspeltaak, zelfs in gebieden met beperkte gegevens of tijdens extreme weerssituaties.

Gebouwd met behulp van een kunstmatig neuronaal netwerkmodel genaamd de vision transformer, is Aurora getraind om de complexe relaties die atmosferische veranderingen aandrijven, te begrijpen. Als algemeen model kan Aurora meerdere soorten invoer verwerken en verschillende uitvoer produceren. Het heeft een encoder-decodermodel op basis van een perceiver-architectuur, speciaal ontworpen om tijd-variabele invoer en uitvoer te beheren.

Het trainingsproces voor Aurora omvat twee stappen: pretraining en fijntuning. Tijdens de pretraining leert Aurora van diverse datasets met verschillende niveaus van detail, die een breed scala aan atmosferische aspecten zoals weerspatronen en luchtdruk bestrijken. Het verfijnt zijn vaardigheden door fouten over deze verschillende soorten gegevens te minimaliseren. Na de initiële training ondergaat Aurora twee stadia van fijntuning. Het eerste stadium richt zich op het verbeteren van Aurora’s vermogen om korte-termijnvoorspellingen te maken. In het tweede stadium verfijnt het zijn vaardigheden verder om nauwkeurige langetermijnvoorspellingen te maken met behulp van een methode genaamd Low Rank Adaptation (LoRA).

Sleutelkenmerken van Aurora

• Uitgebreide training: De effectiviteit van Aurora ligt in zijn training op meer dan een miljoen uur aan diverse weers- en klimaatsimulaties verzameld uit zes weers- en klimaatmodellen. Deze uitgebreide training stelt Aurora in staat om beter atmosferische dynamica te begrijpen.
• Prestatie en efficiëntie: Aurora functioneert op een hoge ruimtelijke resolutie van 0,1° (ongeveer 11 km bij de evenaar), waardoor het intrigerende details van atmosferische processen vastlegt, resulterend in nauwkeurigere voorspellingen dan traditionele numerieke weersvoorspellingsystemen, en tegen een fractie van de computationele kosten.
• Snelheid: Aurora kan 5-daagse wereldwijde luchtkwaliteitsvoorspellingen en 10-daagse weersvoorspellingen genereren in minder dan een minuut, waarmee het traditionele simulatietools en de beste gespecialiseerde diepe leermodellen overtreft.
• Multimodale mogelijkheid: Aurora is een multimodaal AI-model, in staat om verschillende soorten gegevens te verwerken, waaronder numerieke weergegevens, satellietbeelden en klimaatsimulaties.
• Veelzijdige voorspelling: Het model kan een breed scala aan atmosferische variabelen voorspellen, van temperatuur en windsnelheid tot luchtkwaliteitsniveaus en concentraties van broeikasgassen.

Mogelijke toepassingen van Aurora

• Extreem weersvoorspelling: Aurora blinkt uit in het voorspellen van extreme weersomstandigheden, zoals orkanen, stormen en hittegolven. Zijn hoge resolutie mogelijkheden stellen het in staat om deze gebeurtenissen nauwkeurig te volgen en te voorspellen, waardoor cruciale tijd voor rampenvoorbereiding en -reactie wordt geboden.
• Luchtkwaliteitsbewaking: Aurora kan nauwkeurige 5-daagse wereldwijde luchtkwaliteitsvoorspellingen genereren, waardoor het effectief stoffen zoals stikstofdioxide kan volgen. Deze functie is bijzonder waardevol in dichtbevolkte gebieden waar de luchtkwaliteit rechtstreeks van invloed is op de volksgezondheid.
• Klimaatveranderinganalyse: Aurora’s vermogen om diverse klimaatgegevens te verwerken maakt het een onmisbaar instrument voor het bestuderen van langetermijntrends in de klimaatverandering en het beoordelen van de gevolgen van de klimaatverandering op verschillende atmosferische fenomenen.
• Landbouwplanning:

  Door gedetailleerde weersvoorspellingen te bieden, ondersteunt Aurora landbouwplanning en besluitvorming. Boeren kunnen plant schema’s, irrigatie en oogsttijden optimaliseren, waardoor het risico van oogstfalen als gevolg van onverwachte weersveranderingen wordt verkleind.

• Energieoptimalisatie: Aurora’s nauwkeurige weersvoorspellingen helpen bij het optimaliseren van energieproductie en -distributie. Hernieuwbare energiebronnen, zoals zon- en windenergie, kunnen profiteren van nauwkeurige voorspellingen, waardoor efficiënte energiewinning en netwerkbeheer worden gegarandeerd.
• Milieubescherming: Aurora’s gedetailleerde voorspellingen en luchtkwaliteitsvolging helpen bij milieubeschermingsinspanningen. Beleidsmakers en milieubureaus kunnen zijn gegevens gebruiken om regelgeving te implementeren en te controleren die gericht is op het terugdringen van verontreiniging en het mitigeren van de gevolgen van de klimaatverandering.

Aurora versus GraphCast

Aurora en GraphCast zijn twee toonaangevende weersvoorspellingsmodellen, elk met hun eigen sterke en zwakke punten. GraphCast, ontwikkeld door Google DeepMind, wordt hoog gewaardeerd vanwege zijn vaardigheid in weersvoorspelling. Het is voorgetraind op de ERA5-dataset en functioneert op een resolutie van 0,25 graden, waardoor het weersomstandigheden tot vijf dagen van tevoren kan voorspellen.

Aurora daarentegen heeft een meer gevarieerde trainingsdataset en functioneert op een hogere resolutie van 0,1 graden. Dit stelt Aurora in staat om 10-daagse wereldwijde weersvoorspellingen met grotere precisie te produceren. In een vergelijkende studie vonden Microsoft-onderzoekers dat Aurora GraphCast overtrof op meer dan 91% van alle doelen toen beide modellen op een resolutie van 0,25 graden werden geëvalueerd.

Een van de belangrijkste verschillen tussen de twee modellen is hun veelzijdigheid. Terwijl GraphCast zich uitsluitend op weersvoorspelling richt, fungeert Aurora als een foundation model dat verschillende taken kan uitvoeren, waaronder weersvoorspelling, luchtkwaliteitsbewaking en klimaatveranderinganalyse. Deze veelzijdigheid maakt Aurora een meer omvattend en veelzijdig instrument voor het begrijpen en voorspellen van atmosferische fenomenen.

De bottom line

Aurora is niet zomaar een weersvoorspellingsmodel; het is een baanbrekende stap naar het modelleren van het hele aardse systeem, niet alleen de atmosfeer. Zijn vermogen om goed te presteren met beperkte gegevens kan de toegang tot nauwkeurige weers- en klimaatgegevens democratiseren, met name in gebieden met beperkte gegevens, zoals ontwikkelingslanden. Aurora heeft een groot potentieel voor verschillende sectoren, waaronder landbouw, transport, energie en rampenvoorbereiding, waardoor gemeenschappen beter in staat zijn om de uitdagingen van de klimaatverandering aan te pakken. Met voortdurende vooruitgang in technologie en gegevensbeschikbaarheid heeft Aurora het potentieel om een sleutelrol te spelen in weers- en klimaatvoorspelling, waardoor tijdige, nauwkeurige en praktische inzichten worden geboden voor besluitvormers en het publiek over de hele wereld.