오로라 대규모 대기 기본 모델 데모

튜토리얼 소개

전 세계적인 기후 변화와 빈번한 자연재해로 인해 정확하고 신뢰할 수 있는 지구 시스템 예측은 재해의 영향을 완화하고 인간 사회의 진보를 지원하는 데 매우 중요합니다. 기존의 수치 모델은 강력하지만 계산 비용이 엄청나게 높아서 광범위한 적용에 제약이 있습니다. 최근 몇 년 동안 인공지능은 환경 예측 분야에서 큰 잠재력을 보여주었으며, 특히 예측 성능과 효율성을 개선하는 데 큰 역할을 했습니다. 그러나 지구 시스템의 몇몇 핵심 영역에서 AI의 잠재력은 여전히 크게 탐구되지 않은 상태입니다.

이러한 과제를 해결하기 위해 Microsoft의 연구팀은 협력업체와 협력하여 최초의 대규모 대기 기반 모델인 Aurora를 출시했습니다. 100만 시간 이상의 다양한 지구물리학 데이터에 대한 사전 학습과 여러 가지 특정 작업에 대한 미세 조정을 통해 대기 질, 해양 파도, 열대성 저기압 경로, 고해상도 날씨 등 다양한 지구 시스템 변수를 정확하게 예측할 수 있습니다. 컴퓨팅 비용을 크게 절감하는 동시에 기존 운영 예측 시스템의 성능을 능가하고 고품질 기후 및 날씨 정보에 대한 광범위한 접근성을 촉진합니다. 오로라의 컴퓨팅 속도는 가장 진보된 수치 예측 시스템인 IFS보다 약 5,000배 빠르다는 것이 입증되었습니다.

Aurora가 다양한 분야에서 달성한 구체적인 연구 결과는 다음과 같습니다.

• 대기 질 예측 측면에서 Aurora는 5일간의 전 세계 대기 오염 예측에서 0.4° 해상도의 자원 집약적 수치 대기 화학 시뮬레이션보다 우수한 성과를 보였으며, 74% 목표보다 우수한 성과를 보였습니다.
• 해양파도 예측 분야에서는 86% 타겟에 대해 0.25° 분해능으로 10일간의 글로벌 해양파도 예측에서 값비싼 수치 모델보다 우수한 성능을 보였습니다.
• 5일간의 열대성 저기압 경로 예보에 대해 Aurora는 7개의 운영 예보 센터보다 전반적으로 우수한 성과를 보였으며, 모든 목표에 대해 100%의 우수한 예측률을 달성했습니다.
• 10일간의 글로벌 날씨 예보에서 Aurora는 0.1° 분해능에서 92% 대상에 대한 최첨단 수치 모델을 능가하는 동시에 극한 현상에 대한 예보 성능도 개선했습니다. 극단적인 사건에 대한 예측도 개선되었습니다.

모델 구조 측면에서 Aurora는 3D Perceiver 인코더 및 디코더와 결합된 3D Swin Transformer 아키텍처를 채택했습니다. 이 모델은 인코더, 프로세서, 디코더의 세 부분으로 구성되어 있습니다. 인코더는 이기종 입력을 공통된 3D 잠재 표현으로 변환하고, 프로세서는 3D Swin Transformer를 통해 시간에 따라 앞으로 진화하며, 디코더는 잠재 표현을 다시 물리적 예측으로 변환합니다.

관련 연구 논문의 제목은 "지구 시스템의 기초 모델"가 Nature에 게재되었습니다.

이 튜토리얼에서는 단일 카드 A6000에 대한 리소스를 사용합니다.

"작업 공간"에는 다음과 같은 노트북 자동화 스크립트 데모 예가 포함되어 있습니다.

• 데모 예시는 "ERA5 예측"입니다.

영어 버전:ERA5.ipynb에 대한 demo_Predictions

중국어 버전:ERA5-cn.ipynb에 대한 demo_Predictions

• 데모 예제는 "HRES T0 예측"입니다.

영어 버전:HRES T0.ipynb에 대한 demo_Predictions

중국어 버전:HRES T0-cn.ipynb에 대한 demo_Predictions

• 데모 예는 "0.1도 해상도의 HRES 예측"입니다.

영어 버전:0.1도에서 HRES에 대한 demo_Predictions.ipynb

중국어 버전:0.1도에서의 HRES에 대한 demo_Predictions-cn.ipynb

• 데모 예시는 "대기 오염 예보"입니다.

영어 버전:demo_대기 오염 예측.ipynb

중국어 버전:대기 오염에 대한 demo_Predictions-cn.ipynb

• 시범 예시는 "태풍 난마돌 경로 예보"입니다.

영어 버전:태풍 Nanmadol.ipynb에 대한 demo_Track 예측

중국어 버전:태풍 Nanmadol-cn.ipynb에 대한 demo_Track 예측

모델 소개

1. 오로라-0.4-대기오염

Aurora-0.4-air-pollution은 지구 과학을 위한 AI 분야에서 획기적인 패러다임을 제시하며, 데이터 기반 접근 방식을 통해 복잡한 대기 화학 과정을 효율적으로 모델링할 수 있게 해줍니다. 이 모델은 실제 비즈니스에서 신뢰성이 입증되었으며(예: Microsoft MSN Weather Service와의 통합) 환경 거버넌스와 공중 보건을 위한 새로운 기술 도구를 제공합니다.

데모 예시 - 대기 오염 예보

영어 버전:demo_대기 오염 예측.ipynb

중국어 버전:대기 오염에 대한 demo_Predictions-cn.ipynb

2. aurora-0.25-사전 학습됨

aurora-0.25-pretrained는 혁신적인 3D Swin Transformer 아키텍처를 기반으로 하며, Perceiver 인코더-디코더 구조와 결합되어 다중 스케일 및 다중 변수 대기 데이터를 유연하게 처리할 수 있습니다.

데모 예시 - ERA5 예측

영어 버전:ERA5.ipynb에 대한 demo_Predictions

중국어 버전:ERA5-cn.ipynb에 대한 demo_Predictions

3. 오로라-0.25-미세조정

aurora-0.25-finetuned는 특정 작업(예: 0.25° 해상도 예측)을 위한 Aurora 모델의 미세 조정 버전으로, 높은 효율성, 멀티태스킹 적응성, 높은 정확도를 결합했습니다. 이 기술의 핵심은 유연한 기본 모델 아키텍처와 대규모 데이터 학습을 결합한 것으로, 지구 과학 분야의 예측 작업에 대한 새로운 패러다임을 제공합니다.

-HRES T0 예측을 위한 데모 예

영어 버전:HRES T0.ipynb에 대한 demo_Predictions

중국어 버전:HRES T0-cn.ipynb에 대한 demo_Predictions

시범 사례: 태풍 난마돌의 궤적 예보

영어 버전:태풍 Nanmadol.ipynb에 대한 demo_Track 예측

중국어 버전:태풍 Nanmadol-cn.ipynb에 대한 demo_Track 예측

4. 오로라-0.1-미세조정

aurora-0.1-finetuned는 고성능 대기 예측 작업을 위한 미세 조정된 체크포인트 파일입니다. 이 기술은 0.1°(약 11km)의 분해능으로 5일간의 전 세계 대기 오염 예보와 10일간의 날씨 예보를 빠르게 생성할 수 있으며, 기존 수치 모델보다 계산 효율성이 약 5,000배 높습니다.

-0.1도 분해능에서 HRES 예측의 데모 예

영어 버전:0.1도에서 HRES에 대한 demo_Predictions.ipynb

중국어 버전:0.1도에서의 HRES에 대한 demo_Predictions-cn.ipynb

교류 및 토론

🖌️ 고품질 프로젝트를 발견하시면, 백그라운드에 메시지를 남겨 추천해주세요! 또한, 튜토리얼 교환 그룹도 만들었습니다. 친구들의 QR코드 스캔과 [SD 튜토리얼] 댓글을 통해 그룹에 가입하여 다양한 기술 이슈에 대해 논의하고 신청 결과를 공유해 주시기 바랍니다.↓

인용 정보

이 프로젝트에 대한 인용 정보는 다음과 같습니다.

@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},
}