Aurora wurde auf mehr als einer Million Stunden geophysikalischer Daten vortrainiert. Durch Fine-Tuning kann die gemeinsame Grundlage für Wetter, Luftqualität, Wellen und Zyklonbahnen spezialisiert werden. Es ergänzt physikalische Modelle und Beobachtungssysteme, ersetzt sie aber nicht.
Forschungsfrage
Kann ein gemeinsames vortrainiertes Modell verschiedene atmosphärische und geophysikalische Vorhersageaufgaben lernen?
Ansatz
Ein Encoder verarbeitet heterogene räumliche Felder auf unterschiedlichen Auflösungen. Ein Transformer lernt gemeinsame Dynamiken, bevor das Modell für einzelne Aufgaben feinabgestimmt wird.
Veröffentlichte Ergebnisse
- Evaluationen für Wetter, Luftqualität, Ozeanwellen und tropische Zyklonbahnen
- Schnelle Inferenz im Vergleich zu klassischen Simulationen
- Übertragung eines gemeinsamen vortrainierten Modells auf verschiedene Fachaufgaben
Bedeutung
- Einheitliche Grundlage für mehrere Erdsystemaufgaben
- Schnellere Experimente und spezialisierte Vorhersagen
- Potenzial für Regionen oder Variablen mit begrenzten Rechenressourcen
Grenzen
- Vorhersagen hängen von Qualität und Abdeckung der Trainingsdaten ab
- Langfristige Klimaaussagen sind nicht dasselbe wie kurzfristige Wetterprognosen
- Operative Einführung benötigt unabhängige, kontinuierliche Prüfung