عرض توضيحي لنموذج أورورا الأساسي للغلاف الجوي واسع النطاق

مقدمة البرنامج التعليمي

في ظل تغير المناخ العالمي والكوارث الطبيعية المتكررة، فإن التنبؤات الدقيقة والموثوقة لنظام الأرض تشكل أهمية بالغة للتخفيف من تأثير الكوارث ودعم تقدم المجتمع البشري. على الرغم من أن النماذج الرقمية التقليدية قوية، إلا أن تكاليفها الحسابية مرتفعة للغاية، مما يحد من تطبيقها على نطاق واسع. في السنوات الأخيرة، أظهر الذكاء الاصطناعي إمكانات كبيرة في مجال التنبؤ البيئي، وخاصة في تحسين أداء التنبؤ وكفاءته. ومع ذلك، لا تزال إمكانات الذكاء الاصطناعي غير مستكشفة إلى حد كبير في العديد من المجالات الرئيسية لنظام الأرض.

ولمواجهة هذا التحدي، أطلق فريق بحثي من مايكروسوفت وشركائها نموذج أورورا، وهو أول نموذج أساس جوي واسع النطاق. ومن خلال التدريب المسبق على أكثر من مليون ساعة من البيانات الجيوفيزيائية المتنوعة والضبط الدقيق لمهام محددة متعددة، فإنه يمكنه التنبؤ بدقة بمجموعة متنوعة من متغيرات نظام الأرض مثل جودة الهواء وأمواج المحيط ومسارات الأعاصير المدارية والطقس عالي الدقة. ورغم أن هذا النظام يقلل تكاليف الحوسبة بشكل كبير، فإنه يتجاوز أداء أنظمة التنبؤ التشغيلية الحالية ويعزز الوصول على نطاق واسع إلى معلومات عالية الجودة عن المناخ والطقس. لقد ثبت أن سرعة الحوسبة في Aurora أسرع بحوالي 5000 مرة من نظام التنبؤ العددي الأكثر تقدمًا IFS.

وفيما يلي نتائج الأبحاث المحددة التي حققتها أورورا في مجالات مختلفة:

• وفيما يتعلق بالتنبؤ بجودة الهواء، تفوقت أورورا على عمليات محاكاة الكيمياء الجوية الرقمية كثيفة الموارد بدقة 0.4 درجة في توقعات تلوث الهواء العالمية لمدة 5 أيام، متفوقة بذلك على هدف 74%؛
• وفي مجال التنبؤ بأمواج المحيط، تفوقت على النماذج العددية باهظة الثمن في التنبؤ بأمواج المحيط العالمية لمدة 10 أيام بدقة 0.25 درجة على الهدف 86%؛
• بالنسبة لتوقعات مسار الأعاصير المدارية لمدة 5 أيام، تفوقت أورورا بشكل شامل على مراكز التنبؤ التشغيلية السبعة، محققة معدل تفوق بلغ 100% على جميع الأهداف؛
• في توقعات الطقس العالمية لمدة 10 أيام، يتفوق Aurora على النماذج الرقمية الحديثة على هدف 92% بدقة 0.1 درجة، مع تحسين أداء التنبؤ بالأحداث المتطرفة أيضًا. ولقد شهدنا أيضًا تحسنًا في التنبؤ بالأحداث المتطرفة.

من حيث بنية النموذج، يتبنى Aurora بنية 3D Swin Transformer جنبًا إلى جنب مع مشفر وفك تشفير 3D Perceiver. يتكون النموذج من ثلاثة أجزاء: المشفر والمعالج وفك التشفير. يقوم المشفر بتحويل المدخلات غير المتجانسة إلى تمثيل كامن ثلاثي الأبعاد مشترك، ويتطور المعالج للأمام في الوقت عبر محول Swin ثلاثي الأبعاد، ويقوم فك التشفير بتحويل التمثيل الكامن مرة أخرى إلى تنبؤات مادية.

الأبحاث ذات الصلة تحمل عنوان "نموذج أساسي لنظام الأرض"تم نشره في مجلة Nature.

يستخدم هذا البرنامج التعليمي الموارد لبطاقة واحدة A6000.

تحتوي "مساحة العمل" على أمثلة توضيحية لنصوص أتمتة دفتر الملاحظات التالية:

• المثال التوضيحي هو "التنبؤ بـ ERA5"

النسخة الانجليزية:demo_Predictions لـ ERA5.ipynb

النسخة الصينية:demo_Predictions لـ ERA5-cn.ipynb

• المثال التوضيحي هو "التنبؤ بـ HRES T0"

النسخة الانجليزية:demo_Predictions لـ HRES T0.ipynb

النسخة الصينية:demo_Predictions لـ HRES T0-cn.ipynb

• المثال التوضيحي هو "التنبؤ بـ HRES بدقة 0.1 درجة"

النسخة الانجليزية:demo_Predictions لـ HRES عند 0.1 درجة.ipynb

النسخة الصينية:demo_توقعات لـ HRES عند 0.1 درجة-cn.ipynb

• المثال التوضيحي هو "توقعات تلوث الهواء"

النسخة الانجليزية:demo_توقعات تلوث الهواء.ipynb

النسخة الصينية:demo_توقعات تلوث الهواء-cn.ipynb

• المثال التوضيحي هو "توقعات مسار إعصار نانمادول"

النسخة الانجليزية:توقعات demo_Track لـ TyphoonNanmadol.ipynb

النسخة الصينية:توقعات demo_Track لإعصار Nanmadol-cn.ipynb

مقدمة النموذج

1. الشفق القطبي - 0.4 - تلوث الهواء

يمثل Aurora-0.4-air-pollution إنجازًا نموذجيًا في مجال الذكاء الاصطناعي لعلوم الأرض، مما يتيح النمذجة الفعالة للعمليات الكيميائية الجوية المعقدة من خلال نهج قائم على البيانات. وقد أثبت النموذج موثوقيته في الأعمال الفعلية (مثل التكامل مع خدمة الطقس Microsoft MSN) ويوفر أدوات تقنية جديدة للحوكمة البيئية والصحة العامة.

مثال توضيحي - توقعات تلوث الهواء

النسخة الانجليزية:demo_توقعات تلوث الهواء.ipynb

النسخة الصينية:demo_توقعات تلوث الهواء-cn.ipynb

2. aurora-0.25-مُدرَّب مسبقًا

يعتمد aurora-0.25-pretrained على بنية 3D Swin Transformer المبتكرة، جنبًا إلى جنب مع بنية مشفر-فك تشفير Perceiver، والتي يمكنها معالجة البيانات الجوية متعددة المقاييس ومتعددة المتغيرات بمرونة.

مثال توضيحي - توقعات ERA5

النسخة الانجليزية:demo_Predictions لـ ERA5.ipynb

النسخة الصينية:demo_Predictions لـ ERA5-cn.ipynb

3. أورورا-0.25-مضبوطة بدقة

aurora-0.25-finetuned هو إصدار دقيق من نموذج Aurora لمهام محددة (مثل التنبؤ بدقة 0.25 درجة)، والذي يجمع بين الكفاءة العالية وقابلية التكيف مع المهام المتعددة والدقة العالية. ويتمثل جوهرها التقني في الجمع بين بنية النموذج الأساسية المرنة وتدريب البيانات على نطاق واسع، مما يوفر نموذجًا جديدًا لمهام التنبؤ في مجال علوم الأرض.

مثال توضيحي للتنبؤ بـ -HRES T0

النسخة الانجليزية:demo_Predictions لـ HRES T0.ipynb

النسخة الصينية:demo_Predictions لـ HRES T0-cn.ipynb

مثال توضيحي: تتبع توقعات إعصار نانمادول

النسخة الانجليزية:توقعات demo_Track لـ TyphoonNanmadol.ipynb

النسخة الصينية:توقعات demo_Track لإعصار Nanmadol-cn.ipynb

4. أورورا-0.1-مضبوطة بدقة

aurora-0.1-finetuned هو ملف نقطة تفتيش مضبوط بدقة لمهام التنبؤ الجوي عالية الأداء. ويمكنه توليد توقعات سريعة لتلوث الهواء العالمي لمدة 5 أيام وتوقعات الطقس لمدة 10 أيام بدقة 0.1 درجة مئوية (حوالي 11 كيلومترًا)، كما أن كفاءته الحسابية أعلى بنحو 5000 مرة من كفاءة النماذج العددية التقليدية.

مثال توضيحي للتنبؤ بـ HRES بدقة -0.1 درجة

النسخة الانجليزية:demo_Predictions لـ HRES عند 0.1 درجة.ipynb

النسخة الصينية:demo_توقعات لـ HRES عند 0.1 درجة-cn.ipynb

التبادل والمناقشة

🖌️ إذا رأيت مشروعًا عالي الجودة، فيرجى ترك رسالة في الخلفية للتوصية به! بالإضافة إلى ذلك، قمنا أيضًا بتأسيس مجموعة لتبادل الدروس التعليمية. مرحبًا بالأصدقاء لمسح رمز الاستجابة السريعة وإضافة [برنامج تعليمي SD] للانضمام إلى المجموعة لمناقشة المشكلات الفنية المختلفة ومشاركة نتائج التطبيق↓

معلومات الاستشهاد

معلومات الاستشهاد لهذا المشروع هي كما يلي:

@article{bodnar2025aurora,
    title = {A Foundation Model for the Earth System},
    author = {Cristian Bodnar and Wessel P. Bruinsma and Ana Lucic and Megan Stanley and Anna Allen and Johannes Brandstetter and Patrick Garvan and Maik Riechert and Jonathan A. Weyn and Haiyu Dong and Jayesh K. Gupta and Kit Thambiratnam and Alexander T. Archibald and Chun-Chieh Wu and Elizabeth Heider and Max Welling and Richard E. Turner and Paris Perdikaris},
    journal = {Nature},
    year = {2025},
    month = {May},
    day = {21},
    issn = {1476-4687},
    doi = {10.1038/s41586-025-09005-y},
    url = {https://doi.org/10.1038/s41586-025-09005-y},
}