Na tarde de 21 de setembro de 2023, no fórum especial Huawei Connect2023 MindSpore com o tema "Acelerando a Inteligência da Indústria", a comunidade de código aberto MindSpore lançou o MindSpore Earth 0.1 Earth Science Kit.
Este conjunto integra o modelo SOTA de previsão do tempo de IA em múltiplas escalas espaciais e temporais, fornece pré-processamento de dados, visualização de previsão e outras ferramentas, e integra reanálise ERA5, eco de radar e conjuntos de dados DEM de alta resolução, e está comprometido em permitindo de forma eficiente a pesquisa integrada AI+ sobre previsões meteorológicas e oceanográficas.
A previsão do tempo está intimamente relacionada ao trabalho e à vida das pessoas, sendo também um dos cenários de aplicação mais observados no campo da inteligência científica (AI4Science). Como uma estrutura de integração de IA de cenário completo, o MindSpore tem a capacidade de oferecer suporte nativo a grandes modelos e o AI4Science para liderar a inovação.
O plano de arquitetura do MindSpore Earth é mostrado na Figura 1. Ele cobre modelos SOTA da indústria para vários cenários, como previsão do tempo, precipitação de curto prazo, previsão de médio prazo e super-resolução, incluindo GraphCast, ViT-KNO, FourCastNet, DGMR , etc., e a cobertura do modelo é líder do setor. A precisão da previsão supera os modelos numéricos tradicionais e a velocidade de previsão é mais de mil vezes mais rápida do que os modelos numéricos tradicionais.
Figura 1 Planejamento da arquitetura do conjunto MindSpore Earth
**
**
1. Previsão meteorológica a médio prazo
**
**
A previsão meteorológica global de médio prazo refere-se à previsão do tempo para cerca de 3 a 10 dias no futuro em escala global. Essas previsões são normalmente baseadas em modelos numéricos que simulam mudanças nas condições atmosféricas, como temperatura, umidade, pressão atmosférica, velocidade e direção do vento e precipitação. MindSpore Earth fornece vários modelos de previsão de médio prazo de IA:
QuatroCastNet
MindSpore Earth fornece o modelo FourCastNet, que usa o operador neural adaptativo de Fourier AFNO. Esta arquitetura de rede neural é uma melhoria no modelo Vision Transformer (ViT). Ele constrói as etapas de operação mista em convoluções globais contínuas, na implementação Fourier Efficient via FFT. no domínio folha reduz a complexidade da mistura espacial para O (Nlog N), o que permite modelagem flexível e escalável de dependências em dimensões espaciais e de canal. Este modelo é o primeiro modelo de previsão de IA cuja precisão pode ser comparada com o modelo de alta resolução do Sistema Integrado de Previsão (IFS) do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF).
ViT-KNO
MindSpore Earth fornece um modelo de Operador Neural Koopman leve e independente da grade, projetado com base na teoria de linearização global de Koopman e combinado com a ideia de operadores neurais. A arquitetura do modelo é mostrada na Figura 2. Este modelo foi lançado pelo Laboratório Avançado de Computação e Armazenamento da Huawei em cooperação com a Universidade Tsinghua. O modelo é capaz de capturar comportamento não linear complexo, mantendo o modelo leve e computacionalmente eficiente. Comparado ao FourCastNet, o ViT-KNO possui desempenho de treinamento mais eficiente e melhor precisão de previsão.
Figura 2 Arquitetura do modelo ViT-KNO
GráficoCast
GraphCast vem do DeepMind do Google, um modelo que usa GNN para gerar previsões de forma automática e regressiva em uma arquitetura de “codificação-processo-decodificação”. O codificador mapeia a grade de entrada de latitude-longitude de características meteorológicas em momentos históricos para uma representação de grade interna multiescala; o processador executa múltiplas rodadas de transmissão de mensagens na representação de grade múltipla; o decodificador mapeia a representação de grade múltipla de volta à latitude; -longitude Grid e resultados de previsão de saída ao mesmo tempo. MindSpore Earth abriu o código-fonte do módulo de geração de malha icosaédrica para realizar a construção automática de malhas em múltiplas escalas. Além disso, para lidar com a atenuação da precisão da previsão em várias etapas, o MindSpore Earth implementa treinamento iterativo em várias etapas para reduzir o acúmulo de erros do modelo.
**
**
2. Previsão de precipitação a curto prazo
**
**
MindSpore Earth fornece o modelo de precipitação DGMR. O corpo principal do modelo é um gerador, que é treinado com perdas de discriminador temporal e espacial e termos de regularização adicionais para treinamento adversário. O modelo aprende uma representação de contexto dos primeiros quatro quadros da sequência de radar, que é usada como entrada para o amostrador, uma rede recorrente composta por unidades recorrentes convolucionais fechadas (GRU), que combina a representação de contexto com um vetor latente amostrado de um Distribuição gaussiana, prevê 18 campos de radar no futuro. Com base no MindSpore Earth+ Shengteng, é possível realizar treinamento e raciocínio eficientes sobre a intensidade da precipitação e a distribuição espacial.
**
**
3. Excesso de resolução do modelo digital de elevação
**
**
A equipe Shengsi MindSpore, o Huawei AI4Sci LAB e a equipe Huang Xiaomeng da Universidade Tsinghua lançaram em conjunto um modelo de super-resolução DEM adequado para regiões globais e também lançaram um produto de dados DEM marítimo e terrestre global de 3 segundos de arco (90 m) (Figura 3). os resultados foram publicados no In Science Bulletin. Este modelo é superior ao modelo de super-resolução atualmente amplamente utilizado em termos de índice RMSE, clareza e detalhes. Este resultado é o primeiro conjunto global de dados DEM marítimos e terrestres com uma resolução inferior a 100 metros. Ele pode atender às necessidades de dados de batimetria oceânica em diferentes campos e em diferentes níveis. e campos gravitacionais terrestres e terrenos sob diferentes complexidades de terreno e explorando diferentes. Fornece um apoio importante para a pesquisa sobre o mecanismo de equilíbrio das unidades tectônicas terrestres e marítimas e o impacto da topografia terrestre e marítima nos movimentos das marés oceânicas.
Figura 3 Conjunto global de dados DEM terrestre e marítimo de alta resolução
Além disso, o MindSpore Earth também fornece módulos de visualização de previsão, como visualização de campo de vento (Figura 4, conjunto de dados de reanálise ERA5 integrado, conjunto de dados de eco de radar, dados DEM de alta resolução e oferece suporte a previsões de curto e médio prazo); previsão e outros treinamentos de modelo e avaliação. No futuro, o MindSpore Earth continuará a fornecer modelos e ferramentas meteorológicas e oceanográficas de IA eficientes e de ponta, incluindo funções de inferência de grandes modelos meteorológicos Pangu, previsão climática de longo prazo, redução de escala, etc., para permitir a pesquisa integrada de IA + meteorologia. e dados oceânicos.
Figura 4 Efeito de visualização da velocidade do vento
Para mais detalhes, bem-vindo ao grupo SIG conjunto MindSpore Flow & Earth.
Endereço do armazém do código MindSpore Earth: https://gitee.com/mindspore/mindscience/tree/master/MindEarth
Um programador nascido na década de 1990 desenvolveu um software de portabilidade de vídeo e faturou mais de 7 milhões em menos de um ano. O final foi muito punitivo! Google confirmou demissões, envolvendo a "maldição de 35 anos" dos programadores chineses nas equipes Flutter, Dart e . Python Arc Browser para Windows 1.0 em 3 meses oficialmente GA A participação de mercado do Windows 10 atinge 70%, Windows 11 GitHub continua a diminuir a ferramenta de desenvolvimento nativa de IA GitHub Copilot Workspace JAVA. é a única consulta de tipo forte que pode lidar com OLTP + OLAP. Este é o melhor ORM. Nos encontramos tarde demais.