YingLan: A Multimodal Ocean Foundation Model for Unified Representation Learning from Heterogeneous Observations
Pubblicata su AIChronos il · fonte del · Sen Jia, Siqi Wei, Junyu Wang, Zijun Lv, Pan Liu, Meng Xu
YingLan è un modello fondazionale multimodale per l'oceano progettato per gestire la eterogeneità dei dati provenienti da immagini satellitari, campi oceanografici grigliati e osservazioni di galleggianti. Il modello integra una codifica dinamica condizionata agli attributi fisici, il Spatiotemporal Increment Coupling (STIC) per modellare dipendenze multiscale, e un pretraining consapevole dell'evoluzione dello stato oceanico. Implementato con MindSpore su NPUs Huawei Ascend 910B, YingLan dimostra compatibilità con infrastrutture di calcolo AI locali cinesi. Nel task di previsione della salinità superficiale marittima a Shenzhen, il modello supera benchmark esistenti riducendo significativamente l'errore RMSE.
- YingLan unifica rappresentazioni eterogenee combinando codifiche dinamiche e accoppiamento incrementale spaziotemporale (STIC).
- La strategia di pretraining combina la ricostruzione mascherata delle osservazioni con obiettivi temporali per apprendere rappresentazioni coerenti.
- Il modello è implementato in MindSpore ed eseguito su hardware Huawei Ascend 910B, evidenziando supporto a stack AI nazionali.
- Nella previsione della salinità superficiale (SSS), YingLan raggiunge un RMSE medio di 0.687508 PSU con riduzioni relative dell'errore fino al 12.42% rispetto ai competitor.
- Le valutazioni attuali si concentrano su una regione specifica, indicando la necessità futura di test cross-task e cross-regional per verificare il generalization.
Perché conta. Rappresenta un caso d'uso avanzato di foundation models applicati a domini scientifici complessi (scienze del clima), offrendo spunti su come gestire dati eterogenei e vincoli fisici. La dimostrazione di esecuzione nativa su NPUs Huawei Ascend 910B è rilevante per sviluppatori che lavorano con AI locale in contesti dove l'hardware occidentale non è disponibile o preferibile.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.