Am Nachmittag des 21. September 2023 veröffentlichte die MindSpore-Open-Source-Community auf dem Huawei Connect2023 MindSpore-Sonderforum mit dem Thema „Accelerating Industry Intelligence“ das MindSpore Earth 0.1 Earth Science Kit.
Diese Suite integriert das AI-Wettervorhersage-SOTA-Modell auf mehreren räumlichen und zeitlichen Skalen, bietet Datenvorverarbeitung, Vorhersagevisualisierung und andere Tools und integriert ERA5-Reanalyse, Radarecho und hochauflösende DEM-Datensätze Effiziente Ermöglichung der integrierten KI+-Forschung zu meteorologischen und ozeanografischen Vorhersagen.
Wettervorhersagen sind eng mit der Arbeit und dem Leben der Menschen verbunden und gehören auch zu den meistbeachteten Anwendungsszenarien im Bereich der wissenschaftlichen Intelligenz (AI4Science). Als umfassendes KI-Integrationsframework ist MindSpore in der Lage, große Modelle und AI4Science nativ zu unterstützen, um Innovationen voranzutreiben.
Der Architekturplan von MindSpore Earth ist in Abbildung 1 dargestellt. Er umfasst Branchen-SOTA-Modelle für mehrere Szenarien wie Wettervorhersage, kurzfristige Niederschlagsvorhersage, mittelfristige Vorhersage und Superauflösung, einschließlich GraphCast, ViT-KNO, FourCastNet, DGMR usw., und die Modellabdeckung ist branchenführend. Die Prognosegenauigkeit übertrifft herkömmliche numerische Modelle und die Prognosegeschwindigkeit ist mehr als tausendmal schneller als bei herkömmlichen numerischen Modellen.
Abbildung 1 Architekturplanung der MindSpore Earth Suite
**
**
1. Mittelfristige Wettervorhersage
**
**
Mittelfristige globale Wettervorhersage bezieht sich auf die Vorhersage des Wetters für etwa 3 bis 10 Tage in der Zukunft auf globaler Ebene. Solche Vorhersagen basieren typischerweise auf numerischen Modellen, die Änderungen der atmosphärischen Bedingungen wie Temperatur, Luftfeuchtigkeit, Luftdruck, Windgeschwindigkeit und -richtung sowie Niederschlag simulieren. MindSpore Earth bietet mehrere mittelfristige KI-Prognosemodelle:
FourCastNet
MindSpore Earth stellt das FourCastNet-Modell bereit, das den adaptiven neuronalen Fourier-Operator AFNO verwendet. Diese neuronale Netzwerkarchitektur ist eine Verbesserung des Vision Transformer (ViT)-Modells. Sie wandelt die gemischten Operationsschritte in kontinuierliche globale Faltungen über FFT um in der Blattdomäne reduziert die räumliche Mischkomplexität auf O(Nlog N), was eine flexible und skalierbare Modellierung von Abhängigkeiten über räumliche und Kanaldimensionen hinweg ermöglicht. Dieses Modell ist das erste KI-Vorhersagemodell, dessen Vorhersagegenauigkeit mit dem hochauflösenden Integrated Forecast System (IFS)-Modell des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) verglichen werden kann.
ViT-KNO
MindSpore Earth bietet ein leichtes, gitterunabhängiges Koopman-Modell für neuronale Operatoren, das auf der globalen Linearisierungstheorie von Koopman basiert und mit der Idee neuronaler Operatoren kombiniert wird. Die Modellarchitektur ist in Abbildung 2 dargestellt. Dieses Modell wurde vom Huawei Advanced Computing and Storage Laboratory in Zusammenarbeit mit der Tsinghua-Universität eingeführt. Das Modell ist in der Lage, komplexes nichtlineares Verhalten zu erfassen und gleichzeitig das Modell leichtgewichtig und recheneffizient zu halten. Im Vergleich zu FourCastNet bietet ViT-KNO eine effizientere Trainingsleistung und eine bessere Vorhersagegenauigkeit.
Abbildung 2 ViT-KNO-Modellarchitektur
GraphCast
GraphCast stammt von Googles DeepMind, einem Modell, das GNN verwendet, um automatisch und regressiv Vorhersagen in einer „Encode-Process-Decode“-Architektur zu generieren. Der Encoder ordnet das Breitengrad-Längengrad-Eingabegitter meteorologischer Merkmale zu historischen Zeitpunkten einer mehrskaligen internen Gitterdarstellung zu; der Prozessor führt mehrere Runden der Nachrichtenweitergabe auf der Mehrgitterdarstellung durch -Längengrad-Raster und gleichzeitige Ausgabe von Vorhersageergebnissen. MindSpore Earth hat das Modul zur Erzeugung von Ikosaedernetzen als Open-Source-Lösung bereitgestellt, um die automatische Konstruktion von Netzen mit mehreren Maßstäben zu realisieren. Um der Abschwächung der mehrstufigen Vorhersagegenauigkeit entgegenzuwirken, implementiert MindSpore Earth außerdem ein mehrstufiges iteratives Training, um die Anhäufung von Modellfehlern zu reduzieren.
**
**
2. Kurzfristige Niederschlagsvorhersage
**
**
MindSpore Earth stellt das DGMR-Niederschlagsmodell bereit. Der Hauptteil des Modells ist ein Generator, der mit zeitlichen und räumlichen Diskriminatorverlusten und zusätzlichen Regularisierungstermen für das gegnerische Training trainiert wird. Das Modell lernt eine Kontextdarstellung aus den ersten vier Frames der Radarsequenz, die als Eingabe für den Sampler verwendet wird, ein wiederkehrendes Netzwerk bestehend aus Convolutional Gated Recurrent Units (GRU), das die Kontextdarstellung mit einem latenten Vektor kombiniert, der von a abgetastet wird Gaußsche Verteilung. Vorhersage von 18 Radarfeldern in der Zukunft. Basierend auf MindSpore Earth+ Shengteng können effiziente Trainings und Überlegungen zur Niederschlagsintensität und räumlichen Verteilung durchgeführt werden.
**
**
3. Überauflösung des digitalen Höhenmodells
**
**
Das Shengsi MindSpore-Team, das Huawei AI4Sci LAB und das Huang Xiaomeng-Team der Tsinghua-Universität haben gemeinsam ein DEM-Superauflösungsmodell auf den Markt gebracht, das für globale Regionen geeignet ist, und außerdem ein globales 3-Bogensekunden-DEM-Datenprodukt (90 m) für Meer und Land veröffentlicht (Abbildung 3). Die Ergebnisse wurden im In Science Bulletin veröffentlicht. Dieses Modell ist dem derzeit weit verbreiteten Superauflösungsmodell hinsichtlich RMSE-Index, Klarheit und Details überlegen. Dieses Ergebnis ist der erste globale Meeres- und Land-DEM-Datensatz mit einer Auflösung von weniger als 100 Metern. Er kann die Anforderungen an Meeres-Bathymetriedaten in verschiedenen Bereichen und auf verschiedenen Ebenen erfüllen und Landschwerkraftfelder und Gelände unter unterschiedlichen Geländekomplexitäten und die Erforschung verschiedener. Es bietet wichtige Unterstützung für die Erforschung des Gleichgewichtsmechanismus von Land- und Meerestektonikeinheiten und der Auswirkungen der Land- und Meerestopographie auf die Gezeitenbewegungen der Ozeane.
Abbildung 3 Hochauflösender globaler Land- und See-DEM-Datensatz
Darüber hinaus bietet MindSpore Earth auch Vorhersagevisualisierungsmodule wie die Windfeldvisualisierung (Abbildung 4); einen integrierten ERA5-Reanalysedatensatz, einen Radarechodatensatz und hochauflösende DEM-Daten und unterstützt kurzfristige und mittelfristige Vorhersagen Prognose und andere Modelltrainings und -auswertungen. Auch in Zukunft wird MindSpore Earth hochmoderne und effiziente meteorologische und ozeanografische KI-Modelle und -Werkzeuge bereitstellen, darunter meteorologische Großmodell-Inferenzfunktionen von Pangu, langfristige Klimavorhersage, Downscaling usw., um eine integrierte KI- und meteorologische Forschung zu ermöglichen und ozeanische Daten.
Abbildung 4: Visualisierungseffekt der Windgeschwindigkeit
Für weitere Informationen heißen wir Sie herzlich willkommen, der gemeinsamen SIG-Gruppe von MindSpore Flow & Earth beizutreten.
Adresse des MindSpore Earth-Codelagers: https://gitee.com/mindspore/mindscience/tree/master/MindEarth
Ein in den 1990er Jahren geborener Programmierer hat eine Videoportierungssoftware entwickelt und in weniger als einem Jahr über 7 Millionen verdient. Das Ende war sehr bestrafend! Google bestätigte Entlassungen, die den „35-jährigen Fluch“ chinesischer Programmierer in den Flutter-, Dart- und Teams- Python mit sich brachten stark und wird von GPT-4.5 vermutet; Tongyi Qianwen Open Source 8 Modelle Arc Browser für Windows 1.0 in 3 Monaten offiziell GA Windows 10 Marktanteil erreicht 70 %, Windows 11 GitHub veröffentlicht weiterhin KI-natives Entwicklungstool GitHub Copilot Workspace JAVA ist die einzige starke Abfrage, die OLTP+OLAP verarbeiten kann. Dies ist das beste ORM. Wir treffen uns zu spät.