Depuis le début de l'histoire de l'humanité, nous sommes obsédés par la prévision du temps et le déchiffrement du « langage du ciel » de diverses manières. Nous avons lentement découvert que la végétation et les nuages semblent être liés à la météo. en raison des besoins de la production humaine, il y a aussi le besoin des êtres humains de chanter sous le vent fort et de réciter des poèmes au clair de lune.
Le Storm Singer dans "A Song of Ice and Fire" prédit le temps et les tempêtes en chantant et en chantant, et les gens fantasment également sur le super pouvoir de "changer le temps".
Récemment, les experts météorologiques et les prévisions météorologiques nous ont rendu impossible d'échapper à l'expérience incarnée et au monde physique, mais maintenant, l'IA a changé la donne.
Contenu affiné : Microsoft a publié Aurora, son premier modèle atmosphérique de base à grande échelle, capable d'apprendre à partir de données et de faire des prédictions, faisant preuve d'une précision et d'une efficacité étonnantes.
Les changements ne sont pas provoqués uniquement par une seule entreprise, mais à l’échelle mondiale.
Le Centre européen pour les prévisions météorologiques à moyen terme, la première organisation mondiale de prévisions météorologiques numériques, maintient un ensemble de données extrêmement riche, fournissant un solide support de données pour les prévisions météorologiques de l'IA. Cet ensemble de données contient des informations multidimensionnelles sur l'atmosphère, les océans, les terres, etc. en Europe et dans les pays et régions environnants. Ces données ont été soigneusement observées, analysées et modélisées pour former
Dans le futur, un ordinateur pourra peut-être capturer les « changements » globaux sans avoir recours à la physique.
L'impact va au-delà de cela. Si nous pouvons déjà utiliser l'IA pour prédire la météo mondiale, la « modélisation » de la Terre sera-t-elle loin derrière ?
Des événements météorologiques extrêmes se produisent fréquemment dans le monde et les êtres humains semblent particulièrement petits face aux tempêtes soudaines.
Les gens s'inquiètent toujours des conditions météorologiques extrêmes, exposant les limites des modèles de prévisions météorologiques actuels et soulignant la nécessité de prévisions plus précises face au changement climatique.
Une question urgente se pose : comment pouvons-nous mieux prévoir et nous préparer à des événements météorologiques aussi extrêmes ?
Une étude récente de Charlton Perez et d'autres met en évidence les défis auxquels même les modèles de prévision météorologique à intelligence artificielle les plus avancés sont confrontés pour capturer l'intensification rapide et la vitesse maximale des vents des tempêtes.
Pour aider à relever ces défis, une équipe de recherche de Microsoft a développé Aurora, qui signifie « Aurora », un modèle de pointe basé sur l'intelligence artificielle qui peut extraire des informations précieuses à partir de grandes quantités de données atmosphériques.
Photos
Adresse papier : https://www.microsoft.com/en-us/research/publication/aurora-a-foundation-model-of-the-atmosphere/
Aurora Fournit une nouvelle approche de la prévision météorologique qui pourrait transformer notre capacité à prévoir et à atténuer les effets des événements extrêmes.
Photos
Lors de la pré-entraînement, Aurora est optimisé pour maximiser les performances sur plusieurs ensembles de données hétérogènes avec différentes résolutions, variables et niveaux de pression Minimiser les pertes. Le modèle est affiné en deux étapes : (1) ajustement précis des poids pré-entraînés dans un court laps de temps (2) ajustement précis dans un délai long (déploiement) à l'aide d'une adaptabilité de bas rang (LoRA). Le modèle affiné sera utilisé pour gérer diverses situations de prévisions opérationnelles à différentes résolutions
Bien que la taille du paramètre ne soit que de 1,3 milliard, Aurora a été formée sur plus d'un million d'heures de diverses simulations météorologiques et climatiques, ce qui lui permet une compréhension globale de la dynamique atmosphérique.
Par conséquent, le modèle peut effectuer de manière excellente diverses tâches de prévision, même dans les zones où les données sont rares ou dans des conditions météorologiques extrêmes.
En fonctionnant à une résolution spatiale élevée de 0,1° (environ 11 kilomètres à l'équateur), Aurora est capable de capturer les détails complexes des processus atmosphériques, fournissant des prévisions opérationnelles plus précises que jamais, pour un coût de calcul de seulement valeurs traditionnelles Une petite partie du système de prévision météorologique.
Selon les estimations des chercheurs, la vitesse de calcul d'Aurora est augmentée d'environ 5 000 fois par rapport au système de prévision intégré (IFS), le SOTA dans le monde des systèmes de prévision numérique.
En plus de sa précision et de son efficacité époustouflantes, Aurora se démarque par sa polyvalence.
Le modèle peut prédire un large éventail de variables atmosphériques, de la température et de la vitesse du vent aux niveaux de pollution atmosphérique et aux concentrations de gaz à effet de serre.
Aurora est conçue pour gérer des entrées hétérogènes de référence et générer des prédictions à différentes résolutions et niveaux de fidélité.
Le modèle se compose d'un encodeur et d'un décodeur flexible 3D Swin Transformer et Perceiver, capable de traiter et de prédire une gamme de variables atmosphériques à travers l'espace et les niveaux de pression.
Grâce à une pré-formation sur de grandes quantités de données diverses et à un réglage fin pour des tâches spécifiques, Aurora apprend à capturer les modèles et les structures complexes de l'atmosphère, lui permettant de bien fonctionner même avec des données d'entraînement limitées lorsqu'elles sont affinées pour tâches spécifiques.
Photos
Aurora surpasse l'exécution de CAMS sur de nombreux objectifs : (a) Aurora prédit un échantillon total de 2 colonnes d'oxyde d'azote (b) pondéré en fonction de la latitude ; erreur quadratique moyenne (RMSE) d'Aurora par rapport à CAMS, les valeurs négatives (bleu) signifient qu'Aurora est meilleure
En raison des différences entre la chimie atmosphérique, les conditions météorologiques et les activités humaines Les interactions complexes et la grande hétérogénéité du Copernic Les données du Service de surveillance de l’atmosphère (CAMS) rendent cette tâche notoirement difficile.
Aurora exploite son architecture flexible d'encodeur-décodeur et son mécanisme d'attention pour traiter et apprendre efficacement ces données difficiles, en capturant les caractéristiques uniques des polluants atmosphériques et leurs relations avec les variables météorologiques.
Cela permet à Aurora de produire des prévisions précises sur cinq jours de la pollution atmosphérique mondiale avec une résolution spatiale de 0,4°, surpassant les simulations de chimie atmosphérique de pointe sur 74 % de toutes les cibles, démontrant sa capacité à résoudre une variété d'environnements. Excellente adaptabilité et potentiel de problèmes de prévision, même lorsque les données sont rares ou très complexes.
L'étude a également révélé que la pré-formation sur différents ensembles de données améliorait considérablement les performances d'Aurora par rapport à la formation sur un seul ensemble de données.
En intégrant les données des simulations climatiques, les produits de réanalyse et les prévisions opérationnelles, Aurora peut apprendre des représentations plus puissantes et plus polyvalentes de la dynamique atmosphérique.
C'est précisément en raison de sa taille et de la diversité de ses ensembles de données de pré-formation qu'Aurora est capable de surpasser les modèles de prévision météorologique numérique de pointe et les méthodes d'apprentissage en profondeur spécialisées dans une variété de tâches et de résolutions.
Photos
Pictures
Pictures
Le pré-entraînement sur différentes données et la mise à l'échelle du modèle améliorent les performances, chaque doublement de la taille du modèle réduit la perte d'entraînement de 5 %
L'échelle d'Aurora se traduit directement par des performances supérieures à celles des meilleurs modèles professionnels d'apprentissage profond, à la fois en termes de conception d'architecture et de corpus de données de formation, ainsi que de protocoles de pré-formation et de réglage fin.
Pour valider davantage les avantages du réglage fin des grands modèles pré-entraînés sur plusieurs ensembles de données, l'équipe Microsoft a comparé Aurora à GraphCast, qui n'est pré-entraîné que sur ERA5 et est actuellement considéré comme ayant une résolution de la plus compétente. modèle d'intelligence artificielle à 0,25 degrés avec un temps de prédiction allant jusqu'à cinq jours.
De plus, les chercheurs ont également inclus IFS HRES (la référence en matière de prévision météorologique numérique) dans la comparaison.
Les résultats montrent qu'Aurora surpasse à la fois GraphCast et IFS HRES en comparant l'analyse, les observations des stations météorologiques et les valeurs extrêmes.
images
images
images
Aurora surpasse GraphCast sur la grande majorité des cibles
L'impact d'Aurora s'étend loin au-delà des prévisions atmosphériques.
En démontrant la puissance des modèles fondamentaux en sciences de la Terre, cette recherche ouvre la voie au développement de modèles complets englobant l'ensemble du système Terre.
La capacité des modèles sous-jacents à exceller dans les tâches en aval où les données sont rares démocratisera l'accès à des informations météorologiques et climatiques précises dans les régions où les données sont rares, telles que les pays en développement et les régions polaires.
Cela aura un impact profond sur des secteurs tels que l'agriculture, les transports, la récupération d'énergie et la préparation aux catastrophes, permettant aux communautés de mieux s'adapter aux défis posés par le changement climatique.
Les changements arrivent si vite, comme les tornades, que la communauté des prévisions météorologiques subit des changements majeurs.
L'objectif ultime est révolutionnaire : grâce à de nouvelles méthodes basées sur l'IA, les prévisions météorologiques peuvent être exécutées sur des ordinateurs de bureau !
Au cours des 18 derniers mois, les prévisions météorologiques sont devenues l'une des applications d'IA les plus prometteuses, et les développements récents ont eu d'énormes répercussions dans la communauté météorologique.
C'est grâce à une arme secrète : un ensemble de données incroyablement riche.
Le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), la principale organisation mondiale de prévisions météorologiques numériques, maintient un ensemble de données sur la météo atmosphérique, terrestre et océanique, enregistrées toutes les quelques heures dans le monde chaque jour, les données peuvent Datant de 1940.
Photos
Les données des 50 dernières années, surtout après la couverture mondiale par satellite, sont particulièrement abondantes. Cet ensemble de données s'appelle ERA5 et est accessible au public.
ERA5 n'a pas été créé spécifiquement pour les applications d'intelligence artificielle, mais ERA5 a joué un rôle énorme dans le développement d'applications météorologiques d'intelligence artificielle.
Les informaticiens ne commenceront pas vraiment à utiliser sérieusement ces données pour entraîner des modèles d’intelligence artificielle afin de prédire la météo avant 2022.
Depuis lors, la technologie s’est développée à pas de géant. Dans certains cas, les résultats des modèles sont déjà meilleurs que ceux des modèles météorologiques mondiaux que les scientifiques ont passé des décennies à concevoir et à construire et qui nécessitent pour fonctionner certains des superordinateurs les plus puissants au monde.
Matthew Chantry, responsable des travaux de prévision de l'intelligence artificielle au Centre météorologique européen (ECMWF), a déclaré dans une interview : "Il est évident que l'apprentissage automatique est une partie importante des prévisions météorologiques futures.
ECMWF recrute." talents à développer sur la base de la simulation du système terrestre de l'apprentissage automatique
Certaines premières recherches universitaires sur les prévisions météorologiques utilisant des techniques d'apprentissage profond basées sur les réseaux de neurones ont commencé il y a environ 6 ans.
Au début, les informaticiens n'étaient pas très optimistes quant à l'efficacité de cette approche, car elle était très différente de la science de la prévision météorologique qui s'était développée au fil des décennies.
Nous sommes maintenant en 2022, et les gens ont enfin abandonné leurs doutes sur les modèles d’IA.
Tout d'abord, le physicien et data scientist Ryan Keisler a montré quelques résultats préliminaires en utilisant le « réseau neuronal graphique ».
Adresse papier : https://arxiv.org/abs/2202.07575
Par la suite, le modèle « Pangu-Weather » proposé par les scientifiques chinois a été directement répertorié sur Nature.
Les résultats montrent qu’il surpasse même le modèle basé sur la physique le plus puissant d’aujourd’hui – l’ECMWF – dans certains cas.
Photos
Adresse papier : https://www.nature.com/articles/s41586-023-06185-3
C'est dans la communauté des scientifiques utilisant des techniques d'apprentissage profond et de modélisation météorologique Cela a provoqué un choc.
Bientôt, il n’a pas fallu longtemps aux scientifiques européens pour commencer à élaborer un modèle opérationnel basé sur les résultats de recherche d’autres modèles d’apprentissage profond.
À la fin de l'année dernière, le nouveau système de prévision intégré à l'intelligence artificielle (AIFS) avait produit des résultats « très prometteurs ». Ce printemps, les prévisionnistes européens ont commencé à émettre des prévisions en temps réel.
À l'heure actuelle, les modèles météorologiques basés sur la physique sont encore indispensables. Ce sont des outils incroyablement puissants qui améliorent considérablement notre capacité à produire des prévisions météorologiques sur cinq, sept et parfois dix jours pour des événements majeurs et auxquels font confiance les prévisionnistes du monde entier.
Mais à quoi ressemble l’avenir ? Peut-être que dans dix ans, l’IA sera aux commandes de tout dans le domaine météorologique.
Références :
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Solution à l'échec de la connexion entre wsus et le serveur Microsoft
Comment ouvrir le fichier mds
Caractéristiques des systèmes d'information de gestion
ce qui n'est pas défini
Explication détaillée de l'utilisation de la fonction Oracle Substr
Analyse coût-efficacité de l'apprentissage de Python et C++
Comment télécharger du HTML
Comment écrire des contraintes de vérification MySQL
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
