Aurora: стрибок Microsoft до базової моделі ШІ для земної атмосфери

Оскільки глобальне потепління посилюється, громади по всьому світу борються з його руйнівними наслідками. Невпинне зростання викидів парникових газів спричиняє екстремальні погодні явища, руйнівні стихійні лиха та зростання захворювань, пов’язаних із кліматом. Системи прогнозування погоди є нашою першою лінією захисту від цих викликів, але традиційні методи, які покладаються на експертів-людей, важко встигають. Руйнування, спричинені штормом Кіаран у 2023 році, дали зрозуміти, що нам потрібні кращі моделі прогнозування. Але земну атмосферу з її складними погодними умовами, хімічними взаємодіями та різноманітними впливами все ще важко передбачити. Корпорація Майкрософт нещодавно зробила прорив у подоланні цих проблем. Вони розробили модель атмосфери Землі зі штучним інтелектом, яку називають Аврора, які можна використовувати для прогнозування погоди, моніторингу забруднення повітря тощо. Ця стаття заглиблюється в цю розробку, досліджуючи Aurora, її застосування та її вплив за межі прогнозів погоди.

Представляємо Аврору

Аврора є новаторською Модель AI атмосфери Землі, створеної для вирішення різноманітних завдань прогнозування, від екстремальних погодних явищ до забруднення повітря та коротко- та середньострокових прогнозів погоди. Що виділяє Aurora, так це навчання на більш ніж мільйонах годин різноманітного моделювання погоди та клімату, що забезпечує глибоке розуміння мінливих атмосферних процесів. Це дозволяє Aurora досягти успіху в завданнях прогнозування навіть у регіонах з обмеженими даними або під час екстремальних погодних умов.

Створено за допомогою моделі штучної нейронної мережі під назвою трансформатор зору, Аврора навчена розуміти складні взаємозв’язки, що спричиняють атмосферні зміни. Як модель загального призначення Aurora може обробляти кілька типів вхідних даних і створювати різні виходи. Він має модель кодера-декодера, засновану на архітектурі сприймача, спеціально розроблену для керування входами та виходами, що змінюються в часі.

Процес навчання Aurora складається з двох етапів: попереднього навчання та тонкого налаштування. Під час попереднього навчання Aurora вивчає різноманітні набори даних із різним рівнем деталізації, які охоплюють широкий спектр атмосферних аспектів, таких як погода та атмосферний тиск. Він вдосконалює свої навички, мінімізуючи помилки в цих різних типах даних. Після початкового навчання Aurora проходить два етапи тонкого налаштування. Перший етап зосереджений на вдосконаленні здатності Aurora робити короткострокові прогнози. На другому етапі він додатково вдосконалює свої навички, щоб робити точні довгострокові прогнози за допомогою методу під назвою Адаптація низького рангу (LoRA).

Основні характеристики Aurora

• Розширене навчання: Ефективність Aurora полягає в її навчанні на більш ніж мільйоні годин різноманітного моделювання погоди та клімату, зібраного з шести моделей погоди та клімату. Ця комплексна підготовка дає змогу Aurora краще зрозуміти динаміку атмосфери.
• Продуктивність і ефективність: Працюючи з високою просторовою роздільною здатністю 0.1° (приблизно 11 км на екваторі), Aurora фіксує складні деталі атмосферних процесів, що дає точніші прогнози, ніж традиційні чисельні системи прогнозування погоди, і коштує лише частку обчислень.
• Швидка швидкість: Aurora може генерувати 5-денні прогнози глобального забруднення повітря та 10-денні прогнози погоди менш ніж за хвилину, перевершуючи традиційні інструменти моделювання та найкращі спеціалізовані моделі глибокого навчання.
• Мультимодальні можливості: Аврора - це а мультимодальна модель ШІ, здатний приймати та обробляти різні типи даних, включаючи числові дані про погоду, супутникові зображення та моделювання клімату.
• Прогнозування універсальності: Модель може прогнозувати широкий спектр атмосферних змінних, від температури та швидкості вітру до рівнів забруднення повітря та концентрації парникових газів.

Потенційне застосування Aurora

• Прогноз екстремальної погоди: Aurora чудово вміє передбачати екстремальні погодні явища, такі як урагани, шторми та спека. Його можливості високої роздільної здатності дозволяють точно відстежувати та прогнозувати ці події, забезпечуючи важливий час для підготовки до катастрофи та заходів реагування.
• Моніторинг забруднення повітря: Aurora може генерувати точні 5-денні прогнози глобального забруднення повітря, ефективно відстежуючи забруднюючі речовини, такі як діоксид азоту. Ця функція особливо цінна в густонаселених регіонах, де якість повітря безпосередньо впливає на здоров’я населення.
• Аналіз зміни клімату: Здатність Aurora отримувати та обробляти різноманітні кліматичні дані робить її безцінним інструментом для вивчення довгострокових кліматичних тенденцій та оцінки впливу зміни клімату на різні атмосферні явища.
• Сільськогосподарське планування: Надаючи детальні прогнози погоди, Aurora підтримує сільськогосподарське планування та прийняття рішень. Фермери можуть оптимізувати графіки посіву, зрошення та час збору врожаю, зменшуючи ризик втрати врожаю через несподівані зміни погоди.
• Оптимізація енергетичного сектору: Точні прогнози погоди Aurora допомагають оптимізувати виробництво та розподіл енергії. Відновлювані джерела енергії, такі як сонце та вітер, можуть отримати користь від точних прогнозів, забезпечуючи ефективний збір енергії та управління мережею.
• Охорона навколишнього середовища: Детальні прогнози Aurora та відстеження забруднення повітря допомагають у захисті навколишнього середовища. Політики та природоохоронні агентства можуть використовувати його дані для впровадження та моніторингу правил, спрямованих на зменшення забруднення та пом’якшення наслідків зміни клімату.

Aurora проти GraphCast

Аврора і GraphCast це дві відомі моделі прогнозування погоди, кожна зі своїми сильними сторонами та можливостями. GraphCast, розроблений компанією Google DeepMind, високо цінується за його вміння прогнозувати погоду. Він попередньо навчений на наборі даних ERA5 і працює з роздільною здатністю 0.25 градуса, що дозволяє прогнозувати погоду до п’яти днів наперед.

З іншого боку, Aurora може похвалитися більш різноманітним набором навчальних даних і працює з вищою роздільною здатністю 0.1 градуса. Це дозволяє Aurora створювати 10-денні глобальні прогнози погоди з більшою точністю. У порівняльному дослідженні дослідники Microsoft виявили, що Aurora перевершила GraphCast на понад 91% усіх цілей, коли обидві моделі оцінювалися з роздільною здатністю 0.25 градуса.

Однією з ключових відмінностей між двома моделями є їх універсальність. У той час як GraphCast зосереджується виключно на прогнозах погоди, Aurora служить базовою моделлю, здатною виконувати різні завдання, включаючи прогноз погоди, моніторинг забруднення повітря та аналіз зміни клімату. Ця універсальність робить Aurora більш комплексним і багатогранним інструментом для розуміння та прогнозування атмосферних явищ.

Bottom Line

Aurora — це не просто ще одна модель прогнозу погоди; це піонерський крок до моделювання всієї земної системи, а не лише атмосфери. Його здатність добре працювати з обмеженими даними може демократизувати доступ до точної інформації про погоду та клімат, особливо виграючи регіони з обмеженими даними, наприклад країни, що розвиваються. Aurora має великі перспективи для різних секторів, включаючи сільське господарство, транспорт, енергетику та готовність до стихійних лих, надаючи можливість громадам краще долати виклики зміни клімату. Завдяки постійному розвитку технологій і доступності даних, Aurora має потенціал стати ключовим у прогнозуванні погоди та клімату, надаючи своєчасну, точну та практичну інформацію для осіб, які приймають рішення, та громадськості в усьому світі.