Google ha presentado NeuralGCM, un modelo híbrido de predicción meteorológica que combina el aprendizaje automático con las técnicas tradicionales de previsión y presenta sorprendentes ventajas.
La precisión de las predicciones meteorológicas ha mejorado espectacularmente, pero las técnicas tradicionales requieren enormes recursos informáticos para ejecutar algoritmos cada vez más complejos.
Los modelos de circulación general (MCG) constituyen la base de las predicciones climáticas y meteorológicas que le permiten saber si necesitará un paraguas mañana.
Los MCG son simuladores basados en la física que utilizan ecuaciones matemáticas basadas en las leyes de la física para simular cómo se mueven el aire, el agua y la energía por el planeta.
Los MCG típicos dividen la superficie de la Tierra en una cuadrícula de casillas de hasta 100 kilómetros, como un tablero de ajedrez gigante. El algoritmo procesa cada casilla de forma escalonada para predecir cómo es probable que cambien las condiciones atmosféricas.
Las ecuaciones en las que se basan los MCG son increíblemente complejas y mantienen ocupados a algunos de los mayores superordenadores del mundo.
Los modelos de aprendizaje automático (Machine Learning, ML) para la predicción meteorológica han demostrado tener un gran potencial, pero se basan principalmente en datos.
Un modelo de predicción meteorológica ML tiene una gran idea de los datos meteorológicos históricos, pero carece de la comprensión inherente de las leyes físicas que rigen la atmósfera y que se modelan en un MCG.
Los modelos ML son rápidos y pueden proporcionar previsiones precisas a corto plazo, pero a menudo tienen problemas con la estabilidad a largo plazo y los fenómenos meteorológicos extremos poco frecuentes o los escenarios climáticos futuros.
NeuralGCM, desarrollado por un equipo de Google Research, combina la precisión y la capacidad de predicción a largo plazo de los GCM tradicionales con la resolución, eficacia y velocidad mejoradas de los modelos ML.
NeuralGCM es de libre acceso y nos entusiasma ver cómo los científicos lo desarrollan.
Para más detalles, consulte la entrada de mi blog en la que describo el trabajo, y nuestro código fuente abierto:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22 de julio de 2024
El artículo afirma que la precisión de NeuralGCM es comparable o superior a la de los modelos GCM más avanzados. En él se afirma que NeuralGCM es "el primer modelo basado en el aprendizaje automático que realiza previsiones meteorológicas conjuntas precisas, con mejor CRPS que los modelos basados en la física más avanzados".
CRPS es una puntuación que compara el tiempo previsto con el tiempo real que hace.
Los investigadores afirman que "NeuralGCM es competitivo con los modelos de aprendizaje automático para previsiones de uno a diez días, y con el conjunto de predicciones del Centro Europeo de Previsiones Meteorológicas a Medio Plazo para previsiones de uno a quince días".
Aunque NeuralGCM consigue resultados de predicción comparables a los de los MCG, es órdenes de magnitud menos intensivo desde el punto de vista computacional y mucho menos complejo.
El periódico no indica el tamaño de NeuralGCM, pero ofrece el modelo de predicción meteorológica ML de Google GraphCast como comparación.
GraphCast consta de unas 5.417 líneas, mientras que el modelo atmosférico FV3 de la Administración Nacional Oceánica y Atmosférica (NOAA) tiene aproximadamente 376.578 líneas de código.
Los investigadores afirman que NeuralGCM permite "ahorrar entre 3 y 5 órdenes de magnitud en recursos computacionales".
Para ponerlo en contexto, el documento explica que "NeuralGCM-1.4° simula 70.000 días de simulación en 24 horas utilizando una sola unidad de procesamiento tensorial frente a 19 días simulados en 13.824 núcleos de unidad de procesamiento central con X-SHiELD", que es un modelo de predicción meteorológica de alta resolución.
Los investigadores afirman que sus resultados demuestran que su modelo tiene una impresionante capacidad de modelización climática. El artículo señala que "los modelos NeuralGCM entrenados en previsiones de 72 horas son capaces de realizar simulaciones realistas de varios años."
Combinar el aprendizaje automático con modelos físicos tradicionales como hizo Google con la predicción meteorológica "tiene el potencial de transformar la simulación para una amplia gama de aplicaciones, como el descubrimiento de materiales, el plegamiento de proteínas y el diseño de ingeniería multifísica."
La IA, ávida de recursos, ha hecho que los centros de datos se vean críticas por sus emisiones de carbono y su posible impacto climático.
NeuralGCM es un buen ejemplo de cómo la IA podría repercutir positivamente en el medio ambiente sustituyendo, o aumentando, procesos tradicionales ineficaces para reducir el consumo de energía informática.
