昇思MindSpore[1]自成立起积极布局AI4Science(科学智能)领域，并把加速科学智能，为科学研究赋能作为核心能力定位之一。两年以来，昇思MindSpore以其卓越的性能和创新能力，为科学智能领域带来了巨大的助力。在即将于9月20-22日举办的华为全联接大会2023(Huawei Connect 2023)[2]上，昇思MindSpore瞄准AI4Science行业热点与痛点，将会在“昇思MindSpore AI框架：引领大模型与科学智能原生创新”专题演讲中发布两款科学计算套件：SciAI[3]和MindSpore Earth[4]。
昇思MindSpore SciAI——AI4Sci高频模型套件
昇思MindSpore不仅提供了AI融合框架的基础底座，还投入了电磁、制药、航空航天等领域的套件研发，相继推出了MindSpore Elec、MindSpore SPONGE、MindSpore Flow等AI4Sci系列套件。但各领域套件的架构不完全统一，缺少开箱即用的高阶API且高频热点模型不足。为此，昇思MindSpore开源社区即将发布SciAI 0.1版本，旨在为广大开发者和用户提供高效、易用的AI4Sci通用计算平台和高频模型库。
SciAI架构如图1所示，内置了60+ 高频模型， 覆盖物理感知（如PINNs、DeepRitz以及PFNN）和神经算子（如FNO、DeepONet）等主流模型，覆盖度全球第一；提供了高阶API，开发者和用户开箱即用（如一键环境配置、自动模型加载、极简训练微调），精度和性能达到了业界SOTA。此外，SciAI提供了基础API供开发者和高阶API调用（如傅里叶神经算子、自适应激活函数、高阶微分等）。
图1. SciAI架构图
昇思MindSpore Earth——地球科学套件
气象预报与人们的工作生活息息相关。气象预报通常基于数值模式，这些数值模式使用复杂的算法模拟大气条件，预测温度、风速、降水等变化。然而，数值预报模式的预测过程涉及大量的计算，需要较长的时间和大量的计算资源。与数值预报模式相比，数据驱动的深度学习模型可以有效地将计算成本降低几个数量级。为此，昇思MindSpore开源社区即将发布地球科学套件MindSpore Earth。MindSpore Earth集成了多时空尺度下的AI气象预报SOTA模型，提供了数据前处理、预报可视化等工具，并集成了ERA5再分析、雷达回波、高分辨率DEM数据集，致力于高效使能AI+气象预报的融合研究。
MindSpore Earth架构如图2所示，涵盖气象预报中短临降水、中期预报、超分辨率等多个场景的业界SOTA模型，包括GraphCast、ViT-KNO、FourCastNet、DGMR等，模型覆盖度业界领先，预报精度超越传统数值模式，预报速度较数值模式提升千倍以上。
图2. MindSpore Earth架构图
MindSpore Earth发布亮点：
参考链接
[1] https://mindspore.cn
[2] https://www.huawei.com/cn/events/huaweiconnect
[3] https://gitee.com/mindspore/mindscience/tree/master/SciAI
[4] https://gitee.com/mindspore/mindscience/tree/master/MindEarth
点赞
收藏
回复
分享
举报
昇思MindSpore[1]自成立起积极布局AI4Science(科学智能)领域，并把加速科学智能，为科学研究赋能作为核心能力定位之一。两年以来，昇思MindSpore以其卓越的性能和创新能力，为科学智能领域带来了巨大的助力。在即将于9月20-22日举办的华为全联接大会2023(Huawei Connect 2023)[2]上，昇思MindSpore瞄准AI4Science行业热点与痛点，将会在“昇思MindSpore AI框架：引领大模型与科学智能原生创新”专题演讲中发布两款科学计算套件：SciAI[3]和MindSpore Earth[4]。
昇思MindSpore SciAI——AI4Sci高频模型套件
昇思MindSpore不仅提供了AI融合框架的基础底座，还投入了电磁、制药、航空航天等领域的套件研发，相继推出了MindSpore Elec、MindSpore SPONGE、MindSpore Flow等AI4Sci系列套件。但各领域套件的架构不完全统一，缺少开箱即用的高阶API且高频热点模型不足。为此，昇思MindSpore开源社区即将发布SciAI 0.1版本，旨在为广大开发者和用户提供高效、易用的AI4Sci通用计算平台和高频模型库。
SciAI架构如图1所示，内置了60+ 高频模型， 覆盖物理感知（如PINNs、DeepRitz以及PFNN）和神经算子（如FNO、DeepONet）等主流模型，覆盖度全球第一；提供了高阶API，开发者和用户开箱即用（如一键环境配置、自动模型加载、极简训练微调），精度和性能达到了业界SOTA。此外，SciAI提供了基础API供开发者和高阶API调用（如傅里叶神经算子、自适应激活函数、高阶微分等）。
图1. SciAI架构图
昇思MindSpore Earth——地球科学套件
气象预报与人们的工作生活息息相关。气象预报通常基于数值模式，这些数值模式使用复杂的算法模拟大气条件，预测温度、风速、降水等变化。然而，数值预报模式的预测过程涉及大量的计算，需要较长的时间和大量的计算资源。与数值预报模式相比，数据驱动的深度学习模型可以有效地将计算成本降低几个数量级。为此，昇思MindSpore开源社区即将发布地球科学套件MindSpore Earth。MindSpore Earth集成了多时空尺度下的AI气象预报SOTA模型，提供了数据前处理、预报可视化等工具，并集成了ERA5再分析、雷达回波、高分辨率DEM数据集，致力于高效使能AI+气象预报的融合研究。
MindSpore Earth架构如图2所示，涵盖气象预报中短临降水、中期预报、超分辨率等多个场景的业界SOTA模型，包括GraphCast、ViT-KNO、FourCastNet、DGMR等，模型覆盖度业界领先，预报精度超越传统数值模式，预报速度较数值模式提升千倍以上。
图2. MindSpore Earth架构图
MindSpore Earth发布亮点：
中期气象预报：MindSpore Earth提供了多个SOTA AI中期预报模型，包括FourCastNet、GraphCast以及华为先进计算与存储实验室与清华大学合作推出的ViT-KNO模型，可实现一周内气温、风速、湿度等要素秒级推理；
短临降水预报：MindSpore Earth提供了DGMR降水模型，基于MindSpore Earth+昇腾可以进行对降水强度与空间分布进行高效训练与推理。
数据前处理：昇思MindSpore团队、AI4Sci Lab与清华大学联合推出适用于全球区域的DEM超分模型，该模型在RMSE指标、清晰度、细节等方面均优于目前广泛采用的超分模型。
参考链接
[1] https://mindspore.cn
[2] https://www.huawei.com/cn/events/huaweiconnect
[3] https://gitee.com/mindspore/mindscience/tree/master/SciAI
[4] https://gitee.com/mindspore/mindscience/tree/master/MindEarth