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

Naarmate de globale opwarming intensifieert, worstelen gemeenschappen over de hele wereld met de verwoestende gevolgen ervan. 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 (MSFT ) heeft onlangs een doorbraak behaald in het aanpakken van deze uitdagingen. Zij hebben een AI-model van de aardatmosfeer ontwikkeld, 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.

Aurora introduceren

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-termijnweersvoorspellingen. 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 krijgt. Dit stelt Aurora in staat om uit te blinken in voorspeltaken, zelfs in gebieden met beperkte gegevens of tijdens extreme weerscenario’s.

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

Het trainingsproces voor Aurora bestaat uit twee stappen: pretraining en fijntuning. Tijdens de pretraining leert Aurora van diverse datasets met verschillende niveaus van detail, waaronder een breed scala aan atmosferische aspecten zoals weerspatronen en luchtdruk. 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 om accurate langetermijnvoorspellingen te maken met behulp van een methode genaamd Low Rank Adaptation (LoRA).

Sleutelfuncties van Aurora

• Uitgebreide training: Aurora’s effectiviteit 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 atmosferische dynamica beter te begrijpen.
• Prestaties en efficiëntie: Met een hoge ruimtelijke resolutie van 0,1° (ongeveer 11 km bij de evenaar) vangt Aurora de ingewikkelde details van atmosferische processen, waardoor het meer accurate voorspellingen kan maken dan traditionele numerieke weersvoorspellingsystemen, en tegen een fractie van de computationele kosten.
• Snelheid: Aurora kan 5-daagse wereldwijde luchtkwaliteitsvoorspellingen en 10-daagse weersvoorspellingen produceren in minder dan een minuut, waarmee het traditionele simulatietools en de beste gespecialiseerde diepe leermodellen overtreft.
• Multimodale capaciteit: Aurora is een multimodaal AI-model, dat in staat is 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 luchtkwaliteit 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 voorsprong wordt geboden voor rampenbestrijding en -reactie.
• Luchtkwaliteitsbewaking: Aurora kan accurate 5-daagse wereldwijde luchtkwaliteitsvoorspellingen produceren, waarmee het effectief stoffen zoals stikstofdioxide kan volgen. Deze functie is vooral 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 het klimaat en het evalueren van de gevolgen van klimaatverandering voor verschillende atmosferische fenomenen.
• Landbouwplanning: Door gedetailleerde weersvoorspellingen te bieden, ondersteunt Aurora landbouwplanning en besluitvorming. Boeren kunnen hun plant- en oogstschema’s optimaliseren, irrigatie en oogsttijden plannen, waardoor het risico op oogstverlies als gevolg van onverwachte weersveranderingen wordt verminderd.
• Energieoptimalisatie: Aurora’s accurate weersvoorspellingen helpen bij het optimaliseren van energieproductie en -distributie. Hernieuwbare energiebronnen, zoals zonne- en windenergie, kunnen profiteren van nauwkeurige voorspellingen, waardoor efficiënte energiewinning en netbeheer worden gegarandeerd.
• Milieubescherming: Aurora’s gedetailleerde voorspellingen en luchtkwaliteitsbewaking ondersteunen milieubeschermingsinspanningen. Beleidsmakers en milieubureaus kunnen zijn gegevens gebruiken om regelgeving te implementeren en te monitoren die gericht zijn op het terugdringen van verontreiniging en het mitigeren van de gevolgen van klimaatverandering.

Aurora versus GraphCast

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

Aan de andere kant heeft Aurora een meer gevarieerde trainingsdataset en werkt het 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 richt op weersvoorspellingen, fungeert Aurora als een foundation-model dat verschillende taken kan uitvoeren, waaronder weersvoorspelling, luchtkwaliteitsbewaking en klimaatveranderinganalyse. Deze veelzijdigheid maakt Aurora een meer omvattend en multifacettered instrument voor het begrijpen en voorspellen van atmosferische fenomenen.

De bodemlijn

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 accurate 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 rampenbestrijding, waardoor gemeenschappen beter kunnen omgaan met de uitdagingen van klimaatverandering. Met voortdurende vooruitgang in technologie en gegevensbeschikbaarheid heeft Aurora het potentieel om een sleutelrol te spelen in weers- en klimaatvoorspelling, waardoor het tijdige, accurate en praktische inzichten biedt voor besluitvormers en het publiek over de hele wereld.