Aurora: Microsofts sprang mot et grunnleggende AI-modell for jordens atmosfære

Ettersom global oppvarming intensiveres, slåss samfunn over hele verden med dens ødeleggende effekter. Den uavbrutte økningen i drivhusgassutslipp driver ekstreme værhendelser, ødeleggende naturkatastrofer og en økning i klimarelaterte sykdommer. Værvarslingssystemer er vår første forsvarslinje mot disse utfordringene, men tradisjonelle metoder, som er avhengige av menneskelige eksperter, sliter med å holde tritt. Ødeleggelsen forårsaket av stormen Ciarán i 2023 gjorde det klart at vi trenger bedre varslingmodeller. Men jordens atmosfære, med sine komplekse værmønster, kjemiske interaksjoner og ulike påvirkninger, forblir en utfordring å forutsi. Microsoft (MSFT ) har nylig gjort et gjennombrudd i å takle disse utfordringene. De har utviklet en AI-modell av jordens atmosfære, kjent som Aurora, som kan brukes til værvarsling, luftforurensningsovervåking og mer. Denne artikkelen dykker ned i denne utviklingen, og utforsker Aurora, dens anvendelser og dens innvirkning utenfor værvarsling.

Introducing Aurora

Aurora er en banebrytende AI-modell av jordens atmosfære, designet til å takle en rekke varslingutfordringer, fra ekstreme værhendelser til luftforurensning og både kort- og mellomlangtids værvarsling. Det som gjør Aurora spesiell er dens trening på over en million timer med diverse vær- og klimasimuleringer, som gir den en dyp forståelse av endrende atmosfæriske prosesser. Dette gjør at Aurora kan utmerke seg i varslingoppgaver, selv i regioner med begrenset data eller under ekstreme værhendelser.

Bygget ved hjelp av et kunstig nevralt nettverksmodell kalt vision transformer, er Aurora trent til å forstå de komplekse relasjonene som driver atmosfæriske endringer. Som en generell modell kan Aurora håndtere multiple typer inndata og produsere ulike utdata. Den har en encoder-decoder-modell basert på en perceiver-arkitektur, spesifikt designet for å håndtere tidsvarierende inndata og utdata.

Treningprosessen for Aurora involverer to trinn: pre-trening og finjustering. Under pre-trening lærer Aurora fra diverse datasett med varierende detaljnivå, som dekker en rekke atmosfæriske aspekter som værmønster og lufttrykk. Den finjusterer ferdighetene sine ved å minimere feil over disse ulike typene data. Etter den innledende treningen, gjennomgår Aurora to finjusteringssteg. Det første steget fokuserer på å forbedre Auroras evne til å lage korttidsvarslinger. I det andre steget finjusterer den ytterligere ferdighetene sine til å lage nøyaktige langtidsvarslinger ved hjelp av en metode kalt Low Rank Adaptation (LoRA).

NøkkelEGENSkaper til Aurora

• Omfattende trening: Auroras effektivitet ligger i dens trening på over en million timer med diverse vær- og klimasimuleringer samlet fra seks vær- og klimamodeller. Denne omfattende treningen gjør at Aurora bedre forstår atmosfæriske dynamikker.
• Ytelse og effisiens: Opererende på et høyt romlig oppløsningsnivå på 0,1° (omtrent 11 km ved ekvator), fanger Aurora inn detaljerte detaljer om atmosfæriske prosesser, resulterende i mer nøyaktige varslinger enn tradisjonelle numeriske værvarslingssystemer, og til en brøkdel av den beregningsmessige kostnaden.
• Rask hastighet: Aurora kan generere 5-dagers globale luftforurensningsvarslinger og 10-dagers værvarslinger på under ett minutt, og overgår tradisjonelle simuleringsverktøy og de beste spesialiserte dyplearningsmodellene.
• Flervalgt evne: Aurora er en flervalgt AI-modell, i stand til å innta og prosessere ulike datatyper, inkludert numerisk værdata, satellittbilder og klimasimuleringer.
• Flervalgt varsling: Modellen kan varsle et bredt spekter av atmosfæriske variabler, fra temperatur og vindhastighet til luftforurensningsnivåer og konsentrasjoner av drivhusgasser.

Potensielle anvendelser av Aurora

• Ekstremværvarsling: Aurora utmerker seg i å varsle ekstreme værhendelser, som orkaner, stormer og hetebølger. Dens høye oppløsningsnivå gjør at den kan spore og varsle disse hendelsene nøyaktig, og gir verdifull ledtid for katastrofeberedskap og -respons.
• Luftforurensningsovervåking: Aurora kan generere nøyaktige 5-dagers globale luftforurensningsvarslinger, og kan effektivt spore forurensninger som nitrogenoksider. Denne funksjonen er spesielt verdifull i tett befolkede regioner hvor luftkvalitet direkte påvirker folkehelsen.
• Klimaendringsanalyse: Auroras evne til å innta og prosessere diverse klimadata gjør den til et uvurderlig verktøy for å studere langsiktige klimatrender og vurdere effektene av klimaendringer på ulike atmosfæriske fenomener.
• Landbruksplanlegging: Ved å gi detaljerte værvarslinger, støtter Aurora landbruksplanlegging og beslutningstaking. Bønder kan optimalisere plantingsplaner, vanning og høstetider, og redusere risikoen for avlingssvikt på grunn av uventede værendringer.
• Energisektoren optimalisering: Auroras nøyaktige værvarslinger hjelper til å optimalisere energiproduksjon og -distribusjon. Fornybar energi, som sol- og vindkraft, kan dra nytte av nøyaktige varslinger, og sikre effektiv energihøsting og nettstyring.
• Miljøbeskyttelse: Auroras detaljerte varslinger og luftforurensningssporing hjelper i miljøbeskyttelsesarbeidet. Beslutningstakere og miljømyndigheter kan bruke dens data til å implementere og overvåke reguleringer som skal redusere forurensning og mildne klimaendringenes effekter.

Aurora versus GraphCast

Aurora og GraphCast er to fremtredende værvarslingsmodeller, hver med sine egne styrker og evner. GraphCast, utviklet av Google DeepMind, er høyt ansett for sin evne til værvarsling. Den er forhåndstrent på ERA5-datasettet og opererer på et 0,25-graders oppløsningsnivå, som gjør at den kan varsle vær opptil fem dager i forveien.

På den andre siden, har Aurora en mer diversifisert treningsdatasett og opererer på et høyere oppløsningsnivå på 0,1 grader. Dette gjør at Aurora kan produsere 10-dagers globale værvarslinger med større nøyaktighet. I en sammenligningsstudie fant Microsoft-forskere at Aurora overgikk GraphCast på over 91% av alle mål når begge modellene ble evaluert på et 0,25-graders oppløsningsnivå.

En nøkkeltil forskjell mellom de to modellene er deres flervalgt evne. Mens GraphCast fokuserer utelukkende på værvarsling, fungerer Aurora som en grunnleggende modell som kan utføre ulike oppgaver, inkludert værvarsling, luftforurensningsovervåking og klimaendringsanalyse. Denne flervalgte evnen gjør Aurora til et mer omfattende og mangfoldig verktøy for å forstå og varsle atmosfæriske fenomener.

Sluttord

Aurora er ikke bare en annen værvarslingsmodell; det er et banebrytende sprang mot å modellere hele jordsystemet, ikke bare atmosfæren. Dens evne til å fungere godt med begrenset data kan demokratisere tilgangen til nøyaktig vær- og klimainformasjon, spesielt i regioner med begrenset data, som utviklingsland. Aurora har stor potensial i ulike sektorer, inkludert landbruk, transport, energi og katastrofeberedskap, og gir samfunn mulighet til å bedre takle klimaendringens utfordringer. Med fremtidige fremgang i teknologi og data tilgjengelighet, har Aurora potensialet til å bli avgjørende i vær- og klimavarsling, og gir rettidige, nøyaktige og praktiske innsikter for beslutningstakere og allmennheten over hele verden.