Microsoft представила Aurora 1.5: открытую модель для вероятностного прогнозирования погоды
Обновленная нейросеть Aurora 1.5 от Microsoft получила ансамблевое прогнозирование и 22 новые переменные, превзойдя традиционные метеорологические системы в точности на 88.9%.
Microsoft выпустила мажорное обновление своей базовой модели (foundation model) для прогнозирования земных систем — Aurora 1.5. Этот релиз знаменует важный переход технологии из стадии перспективного научного исследования в статус практического инструмента для бизнеса, науки и государственных структур. Модель опубликована в открытом доступе, что позволяет исследователям и разработчикам по всему миру адаптировать ее под свои задачи.
Первая версия Aurora была представлена исследовательской группой Microsoft AI for Science в 2024 году. Традиционно прогнозирование погоды опирается на сложные физические симуляции, которые требуют колоссальных вычислительных мощностей суперкомпьютеров. ИИ-модели предлагают альтернативный подход: они обучаются на огромных массивах исторических метеорологических данных и способны генерировать прогнозы значительно быстрее. Однако для реального применения в критических сферах — от авиации до энергетики — базовых возможностей ранних моделей было недостаточно.
Aurora 1.5 ensemble forecast example showing mean and ensemble uncertainty for total cloud cover and surface solar radiation (SSRD) over the Atlantic and Europe region at a 2–3 day forecast range. Four globe maps display the ensemble mean and standard deviation for each variable, illustrating Aurora's ability to predict both expected conditions and forecast uncertainty for cloud cover and solar radiation.
Ключевым нововведением версии 1.5 стало добавление ансамблевого прогнозирования (ensemble forecasting). Погода — хаотичная система, и малейшие неточности в начальных данных могут привести к совершенно разным результатам. Вместо того чтобы выдавать один «наиболее вероятный» прогноз, ансамблевый метод запускает множество симуляций с небольшими изменениями (стохастическими возмущениями) в начальных условиях. Это позволяет оценить весь спектр возможных сценариев и их вероятность.
