Аврора: прорыв Microsoft в создании фундаментальной модели ИИ для атмосферы Земли

По мере усиления глобального потепления, сообщества по всему миру борются с его разрушительными последствиями. Неуклонный рост выбросов парниковых газов способствует экстремальным погодным явлениям, разрушительным природным катастрофам и увеличению количества заболеваний, связанных с климатом. Системы прогнозирования погоды являются нашей первой линией обороны против этих挑жей, но традиционные методы, основанные на опыте человека, не могут справиться с этой задачей. Разрушение, вызванное штормом Сиарán в 2023 году, показало, что нам нужны лучшие модели прогнозирования. Однако атмосфера Земли, с ее сложными погодными условиями, химическими взаимодействиями и различными влияниями, остается сложной для прогнозирования. Microsoft (MSFT ) недавно сделала прорыв в решении этих задач. Они разработали модель ИИ атмосферы Земли, называемую Авророй, которая может быть использована для прогнозирования погоды, мониторинга загрязнения воздуха и многого другого. В этой статье мы рассматриваем это развитие, изучая Аврору, ее применения и влияние за пределами прогнозов погоды.

Представляем Аврору

Аврора – это революционная модель ИИ атмосферы Земли, предназначенная для решения различных задач прогнозирования, от экстремальных погодных явлений до загрязнения воздуха и как краткосрочных, так и среднесрочных прогнозов погоды. То, что отличает Аврору, – это ее обучение на более чем миллионе часов разнообразных погодных и климатических симуляций, что дает ей глубокое понимание меняющихся атмосферных процессов. Это позволяет Авроре excelled в задачах прогнозирования, даже в регионах с ограниченными данными или во время экстремальных погодных сценариев.

Аврора построена на основе модели искусственной нейронной сети, называемой Vision Transformer, и обучена понимать сложные отношения, управляющие атмосферными изменениями. Как модель общего назначения, Аврора может обрабатывать различные типы входных данных и производить различные выходные данные. Она имеет модель кодировщика-дешифровщика на основе архитектуры перцептора, специально разработанной для управления входными и выходными данными, меняющимися во времени.

Процесс обучения Авроры включает два этапа: предварительное обучение и тонкая настройка. Во время предварительного обучения Аврора учится на разнообразных наборах данных с различными уровнями детализации, охватывающих широкий спектр атмосферных аспектов, таких как погодные условия и давление воздуха. Она совершенствует свои навыки, минимизируя ошибки на этих различных типах данных. После первоначального обучения Аврора проходит две стадии тонкой настройки. Первая стадия направлена на улучшение способности Авроры делать краткосрочные прогнозы. На второй стадии она еще больше совершенствует свои навыки, чтобы делать точные долгосрочные прогнозы с помощью метода, называемого Низкоранговой Адаптацией (LoRA).

Ключевые особенности Авроры

• Обширное обучение: Эффективность Авроры заключается в ее обучении на более чем миллионе часов разнообразных погодных и климатических симуляций, собранных из шести погодных и климатических моделей. Это всестороннее обучение позволяет Авроре лучше понять атмосферную динамику.
• Производительность и эффективность: Работая на высокой пространственной разрешающей способности 0,1° (около 11 км на экваторе), Аврора захватывает сложные детали атмосферных процессов, что приводит к более точным прогнозам, чем традиционные численные системы прогнозирования погоды, и при этом снижает вычислительную нагрузку.
• Быстрая скорость: Аврора может генерировать 5-дневные глобальные прогнозы загрязнения воздуха и 10-дневные прогнозы погоды менее чем за минуту, превосходя традиционные инструменты симуляции и лучшие специализированные модели глубокого обучения.
• Мультимодальная способность: Аврора – это мультимодальная модель ИИ, способная обрабатывать и анализировать различные типы данных, включая числовые погодные данные, спутниковые изображения и климатические симуляции.
• Универсальность прогнозирования: Модель может прогнозировать широкий спектр атмосферных переменных, от температуры и скорости ветра до уровня загрязнения воздуха и концентрации парниковых газов.

Потенциальные применения Авроры

• Прогнозирование экстремальных погодных явлений: Аврора excelled в прогнозировании экстремальных погодных явлений, таких как ураганы, штормы и жаркие волны. Ее высокая разрешающая способность позволяет точно отслеживать и прогнозировать эти события, предоставляя ценные данные для подготовки к стихийным бедствиям и реагирования на них.
• Мониторинг загрязнения воздуха: Аврора может генерировать точные 5-дневные глобальные прогнозы загрязнения воздуха, эффективно отслеживая загрязняющие вещества, такие как диоксид азота. Эта функция особенно ценна в густонаселенных регионах, где качество воздуха напрямую влияет на общественное здоровье.
• Анализ изменения климата: Способность Авроры обрабатывать и анализировать разнообразные климатические данные делает ее бесценным инструментом для изучения долгосрочных климатических тенденций и оценки воздействия изменения климата на различные атмосферные явления.
• Сельскохозяйственное планирование: Предоставляя подробные прогнозы погоды, Аврора поддерживает сельскохозяйственное планирование и принятие решений. Фермеры могут оптимизировать графики посадки, орошения и сбора урожая, снижая риск неурожая из-за непредвиденных изменений погоды.
• Оптимизация энергетического сектора: Точные прогнозы погоды Авроры помогают оптимизировать производство и распределение энергии. Возобновляемые источники энергии, такие как солнечная и ветровая энергия, могут извлечь выгоду из точных прогнозов, обеспечивая эффективное производство энергии и управление сетью.
• Охрана окружающей среды: Подробные прогнозы и отслеживание загрязнения воздуха Авроры помогают в усилиях по охране окружающей среды. Законодатели и экологические агентства могут использовать ее данные для реализации и мониторинга правил, направленных на снижение загрязнения и смягчение последствий изменения климата.

Аврора против GraphCast

Аврора и GraphCast – два известных модели прогнозирования погоды, каждая со своими сильными и возможностями. GraphCast, разработанный Google DeepMind, высоко оценен за свою способность прогнозировать погоду. Он предварительно обучен на наборе данных ERA5 и работает на разрешающей способности 0,25 градуса, что позволяет ему прогнозировать погоду до пяти дней вперед.

С другой стороны, Аврора имеет более разнообразный набор данных для обучения и работает на более высокой разрешающей способности 0,1 градуса. Это позволяет Авроре производить 10-дневные глобальные прогнозы погоды с большей точностью. В сравнительном исследовании исследователи Microsoft обнаружили, что Аврора превосходит GraphCast более чем на 91% всех целей, когда обе модели оценивались на разрешающей способности 0,25 градуса.

Одним из ключевых различий между двумя моделями является их универсальность. В то время как GraphCast фокусируется исключительно на прогнозировании погоды, Аврора служит фундаментальной моделью, способной выполнять различные задачи, включая прогнозирование погоды, мониторинг загрязнения воздуха и анализ изменения климата. Эта универсальность делает Аврору более комплексным и многогранным инструментом для понимания и прогнозирования атмосферных явлений.

Итог

Аврора – это не просто еще одна модель прогнозирования погоды; это пионерский шаг к моделированию всей системы Земли, а не только атмосферы. Ее способность работать хорошо с ограниченными данными может демократизировать доступ к точной информации о погоде и климате, особенно в регионах с ограниченными данными, таких как развивающиеся страны. Аврора имеет большой потенциал для различных секторов, включая сельское хозяйство, транспорт, энергетику и подготовку к стихийным бедствиям, позволяя сообществам лучше справляться с проблемами изменения климата. С продолжающимися достижениями в технологиях и доступности данных Аврора имеет потенциал стать ключевым инструментом в прогнозировании погоды и климата, предоставляя своевременную, точную и практическую информацию для лиц, принимающих решения, и общества во всем мире.