Seit Beginn der Menschheitsgeschichte waren wir davon besessen, das Wetter vorherzusagen und die „Sprache des Himmels“ auf verschiedene Weise zu entschlüsseln. Wir entdeckten langsam, dass Vegetation und Wolken mit dem Wetter zusammenhängen Aufgrund der Bedürfnisse der menschlichen Produktion besteht auch das Bedürfnis der Menschen, im Mondlicht dem starken Wind zu singen und Gedichte zu rezitieren.
Der Sturmsänger in „Das Lied von Eis und Feuer“ sagt durch Gesang und Gesänge Wetter und Stürme voraus, und die Menschen träumen auch davon, die Superkraft zu besitzen, „das Wetter zu verändern“.
In letzter Zeit haben Wetterexperten und Wettervorhersagen es uns unmöglich gemacht, der körperlichen Erfahrung und der physischen Welt zu entkommen, aber jetzt hat die KI die Situation verändert.
Fein abgestimmter Inhalt:
Microsoft hat Aurora veröffentlicht, sein erstes groß angelegtes atmosphärisches Basismodell, das aus Daten lernen und Vorhersagen treffen kann und dabei eine erstaunliche Genauigkeit und Effizienz aufweist.
Veränderungen werden nicht nur von einem Unternehmen herbeigeführt, sondern global.
Das Europäische Zentrum für mittelfristige Wettervorhersagen, die weltweit führende Organisation für numerische Wettervorhersagen, verfügt über einen äußerst umfangreichen Datensatz, der eine starke Datenunterstützung für KI-Wettervorhersagen bietet. Dieser Datensatz enthält mehrdimensionale Dateninformationen über Atmosphäre, Ozean, Land usw. in Europa und den umliegenden Ländern und Regionen. Diese Daten wurden sorgfältig beobachtet, analysiert und modelliert, um
zu bilden. In Zukunft könnte ein Computer in der Lage sein, die globalen „Veränderungen“ zu erfassen, ohne dass Physik erforderlich ist.
Die Auswirkungen gehen darüber hinaus, wenn wir KI bereits zur Vorhersage des globalen Wetters nutzen können, wird die „Modellierung“ der Erde dann weit hinterherhinken?
Microsoft veröffentlicht das erste groß angelegte atmosphärische Basismodell
Extreme Wetterereignisse kommen auf der ganzen Welt häufig vor und Menschen erscheinen angesichts plötzlich auftretender Stürme besonders klein.
Die Menschen sind immer besorgt über extreme Wetterbedingungen, was die Grenzen aktueller Wettervorhersagemodelle deutlich macht und die Notwendigkeit genauerer Vorhersagen angesichts des Klimawandels hervorhebt.
Eine drängende Frage stellt sich: Wie können wir solche extremen Wetterereignisse besser vorhersagen und uns darauf vorbereiten?
Eine aktuelle Studie von Charlton Perez und anderen verdeutlicht die Herausforderungen, denen selbst die fortschrittlichsten Wettervorhersagemodelle mit künstlicher Intelligenz bei der Erfassung der schnellen Intensivierung und Spitzenwindgeschwindigkeit von Stürmen gegenüberstehen.
Um diese Herausforderungen zu bewältigen, hat ein Microsoft-Forschungsteam Aurora entwickelt, was „Aurora“ bedeutet, ein hochmodernes, auf künstlicher Intelligenz basierendes Modell, das wertvolle Erkenntnisse aus großen Mengen atmosphärischer Daten gewinnen kann.
Bilder
Papieradresse: https://www.microsoft.com/en-us/research/publication/aurora-a-foundation-model-of-the-atmosphere/
Aurora Bietet einen neuen Ansatz für die Wettervorhersage, der unsere Fähigkeit, die Auswirkungen extremer Ereignisse vorherzusagen und abzumildern, verändern könnte.
Flexibles 3D-Atmosphären-Basismodell
Bilder
Vor dem Training wird Aurora optimiert, um die Leistung bei mehreren heterogenen Datensätzen mit unterschiedlichen Auflösungen, Variablen und Druckniveaus zu maximieren und Verluste zu minimieren. Die Feinabstimmung des Modells erfolgt in zwei Stufen: (1) Feinabstimmung vorab trainierter Gewichte in kurzer Zeit; (2) Feinabstimmung mit langer Vorlaufzeit (Rollout) unter Verwendung von Low-Rank-Anpassbarkeit (LoRA). Das fein abgestimmte Modell wird verwendet, um verschiedene betriebliche Vorhersagesituationen mit unterschiedlichen Auflösungen zu bewältigen.
Obwohl die Parametergröße nur 1,3 Milliarden beträgt, wurde Aurora auf mehr als einer Million Stunden verschiedener Wetter- und Klimasimulationen trainiert, was es ermöglicht ein umfassendes Verständnis der atmosphärischen Dynamik.
Daher kann das Modell verschiedene Vorhersageaufgaben auch in datenarmen Gebieten oder extremen Wetterbedingungen hervorragend erfüllen.
Durch den Betrieb mit einer hohen räumlichen Auflösung von 0,1° (ungefähr 11 Kilometer am Äquator) ist Aurora in der Lage, die komplizierten Details atmosphärischer Prozesse zu erfassen und präzisere Betriebsvorhersagen als je zuvor zu liefern, und das bei einem Rechenaufwand von nur 1,5 Milliarden US-Dollar Traditionelle Werte Ein kleiner Teil des Wettervorhersagesystems.
Nach Schätzungen der Forscher ist die Berechnungsgeschwindigkeit von Aurora im Vergleich zum Integrated Forecasting System (IFS), dem SOTA in der Welt der numerischen Prognosesysteme, um etwa das 5.000-fache erhöht.
Neben seiner atemberaubenden Genauigkeit und Effizienz zeichnet sich Aurora durch seine Vielseitigkeit aus.
Das Modell kann eine Vielzahl atmosphärischer Variablen vorhersagen, von Temperatur und Windgeschwindigkeit bis hin zu Luftverschmutzung und Treibhausgaskonzentrationen.
Aurora ist so konzipiert, dass es heterogene Goldstandard-Eingaben verarbeitet und Vorhersagen mit unterschiedlichen Auflösungen und Genauigkeitsstufen generiert.
Das Modell besteht aus einem flexiblen 3D-Swin-Transformer und einem Perceiver-basierten Encoder und Decoder, der in der Lage ist, eine Reihe atmosphärischer Variablen über Raum- und Druckniveaus hinweg zu verarbeiten und vorherzusagen.
Durch Vortraining mit großen Mengen unterschiedlicher Daten und Feinabstimmung für bestimmte Aufgaben lernt Aurora, die komplizierten Muster und Strukturen in der Atmosphäre zu erfassen, sodass es bei Feinabstimmung auch mit begrenzten Trainingsdaten eine gute Leistung erbringt spezifische Aufgaben.
Schnelle Vorhersage der Atmosphärenchemie und Luftverschmutzung
Bilder
Aurora übertrifft die Ausführung von CAMS bei vielen Zielen: (a) Aurora prognostiziert die Gesamtprobe von 2 Stickoxidsäulen; (b) Breitengewichtet Mittlerer quadratischer Fehler (RMSE) von Aurora im Vergleich zu CAMS, negative Werte (blau) bedeuten, dass Aurora besser ist
Aufgrund von Unterschieden zwischen atmosphärischer Chemie, Wettermustern und menschlichen Aktivitäten, den komplexen Wechselwirkungen und der hohen Heterogenität des Copernicus Die Daten des Atmosphere Monitoring Service (CAMS) machen dies zu einer notorisch schwierigen Aufgabe.
Aurora nutzt seine flexible Encoder-Decoder-Architektur und seinen Aufmerksamkeitsmechanismus, um diese anspruchsvollen Daten effizient zu verarbeiten und daraus zu lernen und die einzigartigen Eigenschaften von Luftschadstoffen und ihre Beziehungen zu meteorologischen Variablen zu erfassen.
Dadurch ist Aurora in der Lage, genaue Fünf-Tage-Prognosen zur globalen Luftverschmutzung mit einer räumlichen Auflösung von 0,4° zu erstellen und damit modernste atmosphärische Chemiesimulationen bei 74 % aller Ziele zu übertreffen, was seine Fähigkeit unter Beweis stellt, eine Vielzahl von Umgebungen zu lösen Hervorragende Anpassungsfähigkeit und Potenzial für Prognoseprobleme, selbst wenn die Daten spärlich oder hochkomplex sind.
Datenvielfalt und Modellskalierung verbessern atmosphärische Vorhersagen
Die Studie ergab außerdem, dass das Vortraining mit verschiedenen Datensätzen die Leistung von Aurora im Vergleich zum Training mit einem einzelnen Datensatz deutlich verbesserte.
Durch die Integration von Daten aus Klimasimulationen, Reanalyseprodukten und Betriebsprognosen kann Aurora leistungsfähigere und vielseitigere Darstellungen der atmosphärischen Dynamik erlernen.
Gerade aufgrund seiner Größe und der vielfältigen Datensätze vor dem Training ist Aurora in der Lage, modernste numerische Wettervorhersagemodelle und spezialisierte Deep-Learning-Methoden bei einer Vielzahl von Aufgaben und Auflösungen zu übertreffen.
... %
Auroras Skalierung führt direkt zu einer Leistung, die besser ist als die der besten professionellen Deep-Learning-Modelle, sowohl in Bezug auf Architekturdesign und Trainingsdatenkorpus als auch auf Vortrainings- und Feinabstimmungsprotokolle.
Um die Vorteile der Feinabstimmung großer Modelle, die auf mehreren Datensätzen vorab trainiert wurden, weiter zu validieren, verglich das Microsoft-Team Aurora mit GraphCast, das nur auf ERA5 vorab trainiert wurde und derzeit eine Auflösung von 0,25 Grad haben soll. das leistungsfähigste Modell der künstlichen Intelligenz mit einer Vorhersagezeit von bis zu fünf Tagen.
Darüber hinaus haben die Forscher auch IFS HRES (den Goldstandard für numerische Wettervorhersage) in den Vergleich einbezogen.
Die Ergebnisse zeigen, dass Aurora beim Vergleich von Analysen, Wetterstationsbeobachtungen und Extremwerten sowohl GraphCast als auch IFS HRES übertrifft.
Bilder
Bilder
Bilder
Aurora übertrifft GraphCast bei der überwiegenden Mehrheit der Ziele. Ein Paradigmenwechsel im Erdsystem Modellieren
Auroras Wirkung reicht weit über die atmosphärische Vorhersage hinaus.
Durch den Nachweis der Leistungsfähigkeit grundlegender Modelle in der Geowissenschaft ebnet diese Forschung den Weg für die Entwicklung umfassender Modelle, die das gesamte Erdsystem umfassen.
Die Fähigkeit der zugrunde liegenden Modelle, bei nachgelagerten Aufgaben, bei denen Daten knapp sind, hervorragende Leistungen zu erbringen, wird den Zugang zu genauen Wetter- und Klimainformationen in datenarmen Regionen wie Entwicklungsländern und Polarregionen demokratisieren.
Dies wird tiefgreifende Auswirkungen auf Sektoren wie Landwirtschaft, Transport, Energiegewinnung und Katastrophenvorsorge haben und es den Gemeinden ermöglichen, sich besser an die Herausforderungen des Klimawandels anzupassen.
Keine Physik erforderlich? Riesige Fortschritte bei der KI-Wettervorhersage
Änderungen kommen so schnell, wie Tornados, dass die Wettervorhersage-Community große Veränderungen durchmacht.
Das ultimative Ziel ist revolutionär: Mit neuen KI-basierten Methoden können Wettervorhersagen auf Desktop-Computern ausgeführt werden!
In den letzten 18 Monaten hat sich die Wettervorhersage zu einer der vielversprechendsten KI-Anwendungen entwickelt, und die jüngsten Entwicklungen haben enorme Auswirkungen auf die meteorologische Gemeinschaft.
Das ist einer Geheimwaffe zu verdanken: einem unglaublich reichhaltigen Datensatz.
Das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF), die weltweit führende Organisation für numerische Wettervorhersagen, verwaltet einen Datensatz zum atmosphärischen, Land- und Meereswetter, der täglich alle paar Stunden rund um die Welt aufgezeichnet wird Aus dem Jahr 1940.
Bilder
Daten aus den letzten 50 Jahren, insbesondere nach globaler Satellitenabdeckung, sind besonders zahlreich vorhanden. Dieser Datensatz heißt ERA5 und ist öffentlich verfügbar.
ERA5 wurde nicht speziell für Anwendungen der künstlichen Intelligenz entwickelt, aber ERA5 hat eine große Rolle bei der Entwicklung von Wetteranwendungen der künstlichen Intelligenz gespielt.
Informatiker werden erst 2022 ernsthaft damit beginnen, diese Daten zu nutzen, um Modelle künstlicher Intelligenz für die Vorhersage des Wetters zu trainieren.
Seitdem ist die Technologie sprunghaft gewachsen. In einigen Fällen ist die Leistung der Modelle bereits besser als die globalen Wettermodelle, die Wissenschaftler jahrzehntelang entworfen und gebaut haben und für deren Betrieb einige der leistungsstärksten Supercomputer der Welt erforderlich sind.
Matthew Chantry, Leiter der Prognosearbeit für künstliche Intelligenz am Europäischen Meteorologischen Zentrum ECMWF, sagte in einem Interview: „Es ist offensichtlich, dass maschinelles Lernen ein wichtiger Teil der zukünftigen Wettervorhersage ist
ECMWF rekrutiert.“ Talente, die auf der Grundlage der Erdsystemsimulation des maschinellen Lernens entwickelt werden sollen.
Informatiker waren zunächst nicht sehr optimistisch, ob dieser Ansatz funktionieren würde, weil er sich so stark von der über Jahrzehnte entwickelten Wissenschaft der Wettervorhersage unterschied.
Wir schreiben jetzt das Jahr 2022 und die Menschen haben ihre Zweifel an KI-Modellen endlich losgelassen.
Zunächst zeigte der Physiker und Datenwissenschaftler Ryan Keisler einige vorläufige Ergebnisse mithilfe des „Graph Neural Network“.
Bilder
Papieradresse: https://arxiv.org/abs/2202.07575
Anschließend wurde das von chinesischen Wissenschaftlern vorgeschlagene „Pangu-Weather“-Modell direkt auf Nature gelistet.
Die Ergebnisse zeigen, dass es in einigen Fällen sogar das aktuell stärkste physikbasierte Modell – ECMWF – übertrifft.
Bilder
Papieradresse: https://www.nature.com/articles/s41586-023-06185-3
Dies ist in der Gemeinschaft von Wissenschaftlern, die Deep-Learning-Techniken und Wettermodellierung verwenden Es löste einen Schock aus.
Bald dauerte es nicht lange, bis europäische Wissenschaftler damit begannen, ein Betriebsmodell zu entwickeln, das auf den Forschungsergebnissen anderer Deep-Learning-Modelle basierte.
Bis Ende letzten Jahres hatte das neue Artificial Intelligence Integrated Forecast System (AIFS) „sehr vielversprechende“ Ergebnisse geliefert. In diesem Frühjahr begannen europäische Meteorologen mit der Veröffentlichung von Echtzeitprognosen.
Derzeit sind physikbasierte Wettermodelle noch unverzichtbar. Dabei handelt es sich um unglaublich leistungsstarke Tools, die unsere Fähigkeit, Wettervorhersagen für Großereignisse für fünf, sieben und gelegentlich auch zehn Tage zu erstellen, erheblich verbessern und denen Prognostiker auf der ganzen Welt vertrauen.
Aber wie sieht die Zukunft aus? Vielleicht wird die KI in zehn Jahren für alles im Wetterbereich verantwortlich sein.
Referenzen:
https://www.php.cn/link/3b2f3a493d32e9aca1df90ef35b587e7
https://www.php.cn/link/3d6582 4c 0a13e8417758ea807a431500
Das obige ist der detaillierte Inhalt vonKI sagt extremes Wetter 5.000-mal schneller voraus! Microsoft bringt Aurora auf den Markt, um globale Stürme mit den Augen der KI vorherzusagen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
