Peluncuran Silurian (YC S24) – Teknologi simulasi Bumi

• Kami adalah Jayesh, Cris, dan Nikhil, bagian dari tim Silurian. Silurian membangun model dasar untuk mensimulasikan Bumi, dimulai dari prakiraan cuaca. Hasil prakiraan badai terbaru dapat divisualisasikan di sini

• Seberapa besar nilainya jika kita bisa mengetahui prakiraan cuaca satu hari lebih awal? Sistem prakiraan tradisional meningkatkan akurasi sekitar satu hari setiap 10 tahun. Namun, dalam beberapa tahun terakhir, laju ini semakin cepat berkat GPU dan teknik deep learning modern

• Sejak 2022, penelitian tentang sistem deep learning cuaca telah berkembang pesat di NVIDIA, Google DeepMind, Huawei, Microsoft, dan lainnya. Model-model ini hampir tidak menyematkan fisika secara langsung dan belajar memprediksi hanya dari data. Yang mengejutkan, pendekatan ini memberikan prakiraan yang lebih baik daripada simulasi fisika atmosfer tradisional

• Jayesh dan Cris masing-masing memimpin proyek ClimaX dan Aurora di Microsoft, sehingga mengalami langsung potensi teknologi ini. Model dasar yang mereka bangun meningkatkan prakiraan ECMWF, yang dianggap sebagai standar emas dalam prakiraan cuaca, meskipun hanya menggunakan sebagian sangat kecil dari data pelatihan yang dipakai. Tujuan Silurian adalah memperbesar model-model ini semaksimal mungkin dan mendorongnya hingga batas prediksi fisik. Pada akhirnya, tujuannya adalah memodelkan semua infrastruktur yang dipengaruhi cuaca, termasuk jaringan energi, pertanian, logistik, dan pertahanan. Dengan kata lain, mensimulasikan Bumi

• Musim panas ini, kami membangun model frontier 1.5B parameter bernama GFT (Generative Forecasting Transformer). Model ini mensimulasikan cuaca global hingga 14 hari ke depan dengan resolusi sekitar 11 km. Meskipun data cuaca ekstrem dalam catatan historis terbatas, GFT menunjukkan kinerja yang sangat baik dalam prediksi lintasan badai tahun 2024. Anda dapat melihat prakiraan badai kami di sini. Kami memvisualisasikannya menggunakan alat visualisasi cuaca open source cambecc/earth

• Kami sangat antusias dengan peluncuran ini di HN dan ingin mendengar pendapat Anda

Ringkasan GN⁺

• Silurian adalah perusahaan yang membangun model dasar untuk mensimulasikan Bumi, dimulai dari prakiraan cuaca
• Dalam beberapa tahun terakhir, kemajuan teknologi deep learning telah sangat meningkatkan akurasi prakiraan cuaca
• Model GFT milik Silurian menunjukkan hasil prakiraan yang unggul meskipun data cuaca ekstrem yang tersedia terbatas
• Teknologi ini memiliki potensi untuk diterapkan pada berbagai infrastruktur seperti energi, pertanian, dan logistik
• Proyek dengan fungsi serupa mencakup sistem deep learning cuaca dari NVIDIA dan Google DeepMind

[GN⁺]

Komentar Hacker News

• Senang karena kini dimungkinkan untuk melakukan prediksi ensemble untuk siklon tropis

  • Kecewa dengan perbandingan antara model ML dan model HRES dari ECMWF
  • HRES adalah satu realisasi cuaca yang mungkin terjadi, bukan estimasi terbaik dari cuaca rata-rata
  • NeuralGCM berada di peringkat atas papan peringkat WeatherBench
  • Ingin membandingkan performa model di WeatherBench

• Model yang tidak menanamkan fisika justru membuat prediksi yang lebih baik hanya dengan data

  • Pepatah NLP, "setiap kali kita memecat seorang ahli linguistik, performa meningkat", tampaknya juga berlaku untuk para fisikawan

• Silurian sedang membangun model fondasi untuk mensimulasikan Bumi

  • Jika berhasil, penasaran apa lagi yang ingin mereka simulasikan

• Antusias dengan potensi komersial ClimaX

  • Penasaran apakah ada industri tertentu yang sudah menghubungi terkait potensi komersialnya (misalnya eksplorasi sumber daya alam)

• Sebagai organisasi nirlaba, kami membangun model serupa untuk daratan

  • Ingin membantu mengganti land mask dengan embedding daratan
  • Ini akan sangat membantu dalam melakukan downscaling efek regional

• Penasaran apa perbedaannya dibanding GraphCast yang dirilis Google tahun lalu

• Bingung dengan model cuaca

  • Penasaran apakah pendekatan ML lebih stabil secara numerik dibanding simulasi berbasis fisika
  • Penasaran bagaimana perbandingannya dari sisi kebutuhan komputasi
  • Pernah punya pengalaman mengonversi model dari FORTRAN ke Verilog di masa lalu

• Penasaran apakah pendekatan ini pernah diterapkan pada gempa bumi yang tidak dapat diprediksi

• Pendekatan ini tampaknya seperti contoh lain dari "The Bitter Lesson"

• Penasaran apa lagi yang akan disimulasikan di masa depan

  • Membangun demo di San Francisco yang bisa mencari objek dengan bahasa alami
  • Sudah mencoba embedding Clay, tetapi performanya lebih buruk daripada embedding caption OSM yang di-fine-tune dengan CLIP