MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres
本文证明了在地球上训练的 GraphCast 天气基础模型可以通过在火星气候数据库数据上进行微调，成功适配以预测火星大气动力学，从而克服了最初的零样本限制，并在仅 10 个训练轮次内准确捕捉到了昼夜循环和季节结构。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图预测一个你从未造访过的星球上的天气，而你使用的工具是一个只被教过关于地球知识的超级智能计算机程序。这就是行星科学面临的挑战——研究人员试图理解像火星这样世界的旋风与气温变化。为了实现这一目标，他们经常使用“基础模型”。把这些模型想象成一位终其一生都在钻研地球料理食谱的大厨。他们完全了解热量、水分和风是如何相互作用从而形成一场风暴或一个晴天的。但如果你请这位大厨为一颗拥有稀薄、干燥大气层且没有海洋的星球烹饪一顿饭，他们可能会感到困惑。食材完全不同，厨房的规则也改变了。科学家们正在问的一个大问题是：我们能否带上这位受过地球训练的“大厨”，给他们上几节关于火星食材的快速课程，然后让他们开始为这颗红色星球烹饪出准确的天气预报？如果我们能做到这一点，对于未来的太空任务来说将是一个游戏规则的改变者，能够帮助宇航员和机器人躲避沙尘暴，并实现安全着陆，而不必等待耗时数天且沉重的计算机模拟运行完毕。
这篇题为《MarsCast》的论文，尝试通过学习如何预测火星天气，来教导一个著名的地球天气人工智能——GraphCast。研究人员首先测试了该 AI 的“零样本”（zero-shot）模式，这就像是在不提供任何新指令的情况下，要求那位受过地球训练的大厨去烹饪一顿火星大餐。结果喜忧参半。该 AI 可以画出一张相当不错的当前天气图，但它完全无法理解这颗星球的日常节奏。在火星上，太阳会让地面迅速升温，也同样迅速地降温，从而产生强烈的昼夜循环。然而，受过地球训练的 AI 却把一切都平滑处理成了枯燥的平均温度，忘记了火星也有昼夜之分。就好像大厨忘了太阳的存在一样。
为了解决这个问题，团队决定对模型进行“微调”。他们并没有从头开始训练这个 AI（因为那会耗费大量时间且成本高昂），而是利用“火星气候数据库”给它上了一场速成班。他们向 AI 输入了关于火星温度、风速以及大气层顶端太阳辐射的信息，同时保持了湿度设置的简单化。结果非常迅速且有效。在仅仅经过 10 轮训练（称为 epoch）后，AI 就开始“开窍”了。它开始明白火星的白天变热，夜晚变冷。到它训练了大约 1,000 轮时，它生成的预报看起来已经非常接近真实的火星天气，捕捉到了每日的温度波动甚至风向模式。
这项研究发现，这个被命名为“MarsCast”的适配模型可以预测长达 10 天的温度和风速。它在空气较厚的大气低层表现尤为出色，甚至可以展示温度随高度上升的变化情况。该模型能够应对火星的不同季节，从最寒冷的时期到最温暖的时期，这表明该 AI 学习到了火星大气运动的底层规律，而不仅仅是死记硬背特定的日子。虽然该模型目前还不完美——它在处理大气层极高处时仍有些吃力，并且需要更多针对火星探测器真实数据的测试——但论文表明，这种方法是一条可行的发展路径。它表明我们不需要为每一颗星球都构建一个新的 AI；我们只需要拿走一个聪明的地球模型，给它进行一次快速的火星教育，然后利用它来帮助未来的探索者保持安全并获取信息。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。