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 værforhold, ødeleggende naturkatastrofer og en økning i klimarelaterte sykdommer. Værforutsigningssystemer er vår første forsvarslinje mot disse utfordringene, men tradisjonelle metoder, som er avhengige av menneskelige eksperter, slåss med å holde tritt. Ødeleggelsene forårsaket av stormen Ciarán i 2023 gjorde det klart at vi trenger bedre forutsigelsesmodeller. Men jordens atmosfære, med sine komplekse værmønster, kjemiske reaksjoner og forskjellige påvirkninger, forblir en utfordring å forutsi. Microsoft 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 værforutsigning, overvåking av luftforurensning og mer. Denne artikkelen dykker ned i denne utviklingen, og utforsker Aurora, dens anvendelser og dens innvirkning utenfor værforutsigning.

Introduksjon til Aurora

Aurora er en banebrytende AI-modell av jordens atmosfære designet til å takle en rekke forutsigelsesutfordringer, fra ekstreme værforhold til luftforurensning og både kort- og mediumlang værforutsigning. 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 endrede atmosfæriske prosesser. Dette gjør at Aurora utmerker seg i forutsigelsesoppgaver, selv i regioner med begrenset data eller under ekstreme værscenarier.

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

Treningprosessen for Aurora omfatter to trinn: pre-trening og finjustering. Under pre-trening lærer Aurora fra diverse datasett med varierende detaljnivå, som dekker et bredt spekter av atmosfæriske aspekter som værmønster og lufttrykk. Den finjusterer ferdighetene sine ved å minimere feil over disse forskjellige typer data. Etter den initielle treningen, gjennomgår Aurora to stadier av finjustering. Det første stadiet fokuserer på å forbedre Auroras evne til å lage korttidsforutsigninger. I det andre stadiet finjusterer den ytterligere ferdighetene sine til å lage nøyaktige langtidsforutsigninger 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 oppløsning på 0,1° (omtrent 11 km ved ekvator), fanger Aurora inn detaljerte detaljer av atmosfæriske prosesser, resulterende i mer nøyaktige forutsigninger enn tradisjonelle numeriske værforutsigningssystemer, og til en brøkdel av den beregningsmessige kostnaden.
• Rask hastighet: Aurora kan generere 5-dagers globale luftforurensningsforutsigninger og 10-dagers værforutsigninger på under ett minutt, og overgår tradisjonelle simuleringsverktøy og de beste spesialiserte dyplæringmodellene.
• FlervalgsEVNE: Aurora er en flervalgs AI-modell, i stand til å innta og prosessere forskjellige datatyper, inkludert numeriske værdata, satellittbilder og klimasimuleringer.
• Varighet forutsigning: Modellen kan forutsi et bredt spekter av atmosfæriske variable, fra temperatur og vindhastighet til luftforurensningsnivåer og konsentrasjoner av drivhusgasser.

Potensielle anvendelser av Aurora

• Ekstremt værforutsigning: Aurora utmerker seg i å forutsi ekstreme værforhold, som orkaner, stormer og hetebølger. Dens høye oppløsningsevne gjør det mulig å nøyaktig spore og forutsi disse hendelsene, og gir verdifull ledtid for katastrofeberedskap og -respons.
• Overvåking av luftforurensning: Aurora kan generere nøyaktige 5-dagers globale luftforurensningsforutsigninger, og kan effektivt spore forurensninger som nitrogenoksider. Denne funksjonen er spesielt verdifull i tett befolkede områder 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 forskjellige atmosfæriske fenomener.
• Landbruksplanlegging: Ved å gi detaljerte værforutsigninger, støtter Aurora landbruksplanlegging og beslutningstaking. Bønder kan optimalisere planteskjemaer, irrigasjon og høstetider, og redusere risikoen for avlingssvikt på grunn av uventede værendringer.
• Energi-sektoren optimalisering: Auroras nøyaktige værforutsigninger hjelper med å optimalisere energiproduksjon og -distribusjon. Fornybare energikilder, som sol og vind, kan dra nytte av nøyaktige forutsigninger, og sikre effektiv energihøsting og nettledning.
• Miljøbeskyttelse: Auroras detaljerte forutsigninger og luftforurensningssporing hjelper med miljøbeskyttelsesarbeid. Beslutningstakere og miljøorganisasjoner kan bruke dens data til å implementere og overvåke reguleringer rettet mot å redusere forurensning og mildne effektene av klimaendringer.

Aurora versus GraphCast

Aurora og GraphCast er to fremtredende værforutsigningsmodeller, hver med sine egne styrker og evner. GraphCast, utviklet av Google DeepMind, er høyt ansett for sin ferdighet i værforutsigning. Den er forhåndstrent på ERA5-datasettet og opererer på en 0,25-graders oppløsning, som gjør det mulig å forutsi vær opptil fem dager i forveien.

På den andre siden, har Aurora en mer diversifisert treningdatasett og opererer på en høyere oppløsning på 0,1 grader. Dette gjør at Aurora kan produsere 10-dagers globale værforutsigninger 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 en 0,25-graders oppløsning.

En nøkkeltilpasning mellom de to modellene er deres fleksibilitet. Mens GraphCast fokuserer utelukkende på værforutsigninger, fungerer Aurora som en grunnleggende modell i stand til å utføre forskjellige oppgaver, inkludert værforutsigning, overvåking av luftforurensning og klimaendringsanalyse. Denne fleksibiliteten gjør Aurora til et mer omfattende og mangfoldig verktøy for å forstå og forutsi atmosfæriske fenomener.

Det siste ord

Aurora er ikke bare en annen værforutsigningsmodell; det er et banebrytende sprang mot å modellere hele jordens system, 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 for å bli avgjørende i vær- og klimaprediksjon, og gir rettidig, nøyaktig og praktisk innsikt for beslutningstakere og allmennheten over hele verden.