Аврора: стрибок Microsoft до фундаментальної моделі штучного інтелекту для атмосфери Землі

Як глобальне потепління посилюється, громади по всьому світу борються з його руйнівними наслідками. Неперервний рост викидів парникових газів сприяє екстремальним погодним явищам, руйнівним природним катастрофам та зростанню кількості захворювань, пов’язаних з кліматом. Системи прогнозування погоди є нашим першим засобом захисту проти цих викликів, однак традиційні методи, що покладаються на людських експертів, борються за те, щоб не відставати. Руйнування, спричинене штормом Сіаран у 2023 році, показало, що нам потрібні кращі моделі прогнозування. Але атмосфера Землі, з її складними погодними умовами, хімічними взаємодіями та різними впливами, залишається складною для прогнозування. Microsoft (MSFT ) недавно зробила прорив у подоланні цих викликів. Вони розробили модель штучного інтелекту атмосфери Землі, відому як Аврора, яку можна використовувати для прогнозування погоди, моніторингу забруднення повітря та іншого. Ця стаття розбирає цей розвиток, досліджуючи Аврору, її застосування та вплив за межами прогнозування погоди.

Аврора: представлення

Аврора – це революційна модель штучного інтелекту атмосфери Землі, призначена для подолання різних завдань прогнозування, від екстремальних погодних явищ до забруднення повітря та як короткострокових, так і середньострокових прогнозів погоди. Те, що відрізняє Аврору, це її навчання на понад мільйон годин різноманітних симуляцій погоди та клімату, що надає їй глибокого розуміння змінюваних атмосферних процесів. Це дозволяє Аврорі exceling у завданнях прогнозування, навіть у регіонах з обмеженими даними або під час екстремальних погодних сценаріїв.

Розроблена на основі штучної нейронної мережі, відома як трансформер зору, Аврора навчена розуміти складні взаємозв’язки, що керують атмосферними змінами. Як універсальна модель, Аврора може обробляти різні типи входів і генерувати різні виходи. Вона має модель кодувача-розкодувача на основі архітектури перцептора, спеціально розробленої для управління входами і виходами, що змінюються з часом.

Процес навчання Аврори складається з двох етапів: попереднього навчання та тонкого налаштування. Під час попереднього навчання Аврора вчиться на різноманітних наборах даних з різними рівнями деталізації, що охоплюють широкий спектр атмосферних аспектів, таких як погодні умови та атмосферний тиск. Вона вдосконалює свої навички, мінімізуючи помилки по цих різних типах даних. Після початкового навчання Аврора проходить два етапи тонкого налаштування. Перший етап зосереджується на поліпшенні здатності Аврори робити короткострокові прогнози. На другому етапі вона далі вдосконалює свої навички для здійснення точних довгострокових прогнозів за допомогою методу, відомого як Низькорангове адаптування (LoRA).

Ключові особливості Аврори

• Розширений тренінг: Ефективність Аврори полягає в її навчанні на понад мільйон годин різноманітних симуляцій погоди та клімату, зібраних з шести моделей погоди та клімату. Це повне навчання дозволяє Аврорі краще розуміти атмосферну динаміку.
• Продуктивність та ефективність: Працюючи на високому просторовому розрізенні 0,1° (приблизно 11 км біля екватора), Аврора захоплює тонкі деталі атмосферних процесів, що призводить до більш точних прогнозів, ніж традиційні числові системи прогнозування погоди, і при цьому за меншу обчислювальну вартість.
• Швидкість: Аврора може генерувати 5-денні глобальні прогнози забруднення повітря та 10-денні прогнози погоди менш ніж за хвилину, переважаючи традиційні інструменти моделювання та найкращі спеціалізовані глибокі моделі навчання.
• Багатозначна здатність: Аврора – це багатозначна модель штучного інтелекту, здатна приймати та обробляти різні типи даних, включаючи числові дані про погоду, зображення супутників та кліматичні симуляції.
• Універсальність прогнозування: Модель може прогнозувати широкий спектр атмосферних змінних, від температури та швидкості вітру до рівня забруднення повітря та концентрації парникових газів.

Потенційні застосування Аврори

• Прогнозування екстремальних погодних явищ: Аврора excels у прогнозуванні екстремальних погодних явищ, таких як урагани, шторми та спеки. Її високоефективні можливості дозволяють точно відстежувати та прогнозувати ці явища, забезпечуючи важливу часову затримку для підготовки до катастроф та реагування на них.
• Моніторинг забруднення повітря: Аврора може генерувати точні 5-денні глобальні прогнози забруднення повітря, ефективно відстежуючи забруднювачі, такі як діоксид азоту. Ця функція особливо цінна в густонаселених регіонах, де якість повітря безпосередньо впливає на громадське здоров’я.
• Аналіз зміни клімату: Спроможність Аврори приймати та обробляти різноманітні дані про клімат робить її невід’ємним інструментом для вивчення довгострокових тенденцій клімату та оцінки впливу зміни клімату на різні атмосферні явища.
• Планування сільського господарства: Надавши детальні прогнози погоди, Аврора підтримує планування та прийняття рішень у сільському господарстві. Сільськогосподарські працівники можуть оптимізувати графіки посадки, зрошення та збирання врожаю, зменшуючи ризик втрати врожаю через несподівані зміни погоди.
• Оптимізація енергетичного сектора: Точні прогнози погоди Аврори допомагають оптимізувати виробництво та розподілення енергії. Відроджувані джерела енергії, такі як сонячна та вітрова енергія, можуть виграти від точних прогнозів, забезпечуючи ефективне виробництво енергії та управління мережею.
• Охорона навколишнього середовища: Детальні прогнози та моніторинг забруднення повітря Аврори допомагають у зусиллях з охорони навколишнього середовища. Політики та екологічні агентства можуть використовувати її дані для впровадження та моніторингу правил, спрямованих на зменшення забруднення та пом’якшення наслідків зміни клімату.

Аврора проти GraphCast

Аврора та GraphCast – два відомі моделі прогнозування погоди, кожна зі своїми сильними сторонами та можливостями. GraphCast, розроблена Google DeepMind, високо оцінюється за свою майстерність у прогнозуванні погоди. Вона попередньо навчена на наборі даних ERA5 і працює з роздільною здатністю 0,25 градуса, що дозволяє їй прогнозувати погоду до п’яти днів вперед.

З іншого боку, Аврора має більш різноманітний набір даних для навчання та працює з вищою роздільною здатністю 0,1 градуса. Це дозволяє Аврорі генерувати 10-денні глобальні прогнози погоди з більшою точністю. У порівняльному дослідженні дослідники Microsoft виявили, що Аврора перевершує GraphCast на понад 91% всіх цілей, коли обидві моделі оцінюються з роздільною здатністю 0,25 градуса.

Одна з ключових відмінностей між двома моделями полягає в їх універсальності. Хоча GraphCast зосереджується виключно на прогнозуванні погоди, Аврора служить фундаментальною моделлю, здатною виконувати різні завдання, включаючи прогнозування погоди, моніторинг забруднення повітря та аналіз зміни клімату. Ця універсальність робить Аврору більш комплексним та багатогранным інструментом для розуміння та прогнозування атмосферних явищ.

Висновок

Аврора – це не просто ще одна модель прогнозування погоди; це революційний крок до моделювання всієї системи Землі, а не тільки атмосфери. Її здатність добре працювати з обмеженими даними може демократизувати доступ до точної інформації про погоду та клімат, особливо для регіонів з обмеженими даними, таких як країни, що розвиваються. Аврора має великий потенціал для різних секторів, включаючи сільське господарство, транспорт, енергетику та підготовку до катастроф, наділяючи громади можливістю краще подолати виклики зміни клімату. З подальшими досягненнями у технологіях та доступності даних Аврора має потенціал стати ключовим інструментом у прогнозуванні погоди та клімату, забезпечуючи своєчасну, точну та практичну інформацію для прийняття рішень та громадськості по всьому світу.