A Google apresentou o NeuralGCM, um modelo híbrido de previsão meteorológica que combina a aprendizagem automática com técnicas de previsão tradicionais e que apresenta vantagens surpreendentes.
A previsão meteorológica registou melhorias significativas na precisão das previsões, mas as técnicas tradicionais exigem vastos recursos informáticos para executar algoritmos cada vez mais complexos.
Os modelos de circulação geral (GCM) constituem a base das previsões climáticas e meteorológicas que nos permitem saber se vamos precisar de um guarda-chuva amanhã.
Os GCM são simuladores baseados na física que utilizam equações matemáticas baseadas nas leis da física para simular a forma como o ar, a água e a energia se deslocam no planeta.
Os GCM típicos dividem a superfície da Terra numa grelha de células até 100 quilómetros, como um tabuleiro de xadrez gigante. O algoritmo processa cada quadrado numa abordagem faseada para prever a forma como as condições atmosféricas são susceptíveis de mudar.
As equações subjacentes aos GCM são incrivelmente complexas e mantêm ocupados alguns dos maiores supercomputadores do mundo.
Os modelos de aprendizagem automática (ML) para a previsão meteorológica têm demonstrado um potencial significativo, mas são essencialmente baseados em dados.
Um modelo de previsão meteorológica ML tem uma excelente ideia dos dados meteorológicos históricos, mas não tem a compreensão inerente das leis físicas que regem a atmosfera que são modeladas num GCM.
Os modelos de ML são rápidos e podem fornecer previsões exactas a curto prazo, mas muitas vezes têm dificuldades com a estabilidade a longo prazo e com os raros fenómenos meteorológicos extremos ou cenários climáticos futuros.
O NeuralGCM, desenvolvido por uma equipa da Google Research, combina a precisão e as capacidades de previsão a longo prazo dos GCM tradicionais com a resolução melhorada, a eficiência e a velocidade dos modelos ML.
O NeuralGCM está disponível gratuitamente e estamos ansiosos por ver como os cientistas o desenvolvem.
Para mais pormenores, consulte a minha publicação no blogue que descreve o trabalho e o nosso código-fonte aberto:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22 de julho de 2024
O documento afirma que a precisão do NeuralGCM é comparável ou melhor do que a dos actuais modelos GCM de última geração. Diz que o NeuralGCM é "o primeiro modelo baseado na aprendizagem de máquinas a fazer previsões meteorológicas de conjunto exactas, com um CRPS melhor do que os modelos baseados na física mais avançados.
O CRPS é uma pontuação que compara o tempo previsto com o tempo real que se verifica.
Os investigadores afirmam que "o NeuralGCM é competitivo com os modelos de aprendizagem automática para as previsões de um a dez dias e com o conjunto de previsões do Centro Europeu de Previsões Meteorológicas a Médio Prazo para as previsões de um a quinze dias".
Embora o NeuralGCM obtenha resultados de previsão comparáveis aos dos GCM, é muito menos intensivo do ponto de vista computacional e muito menos complexo.
O jornal não diz qual a dimensão do NeuralGCM, mas oferece o modelo de previsão meteorológica ML da Google GraphCast como comparação.
O GraphCast tem cerca de 5.417 linhas, enquanto o modelo atmosférico FV3 da National Oceanic and Atmospheric Administration (NOAA) tem aproximadamente 376.578 linhas de código.
Os investigadores afirmam que o NeuralGCM permite "poupanças de 3 a 5 ordens de grandeza em recursos computacionais".
Para contextualizar, o documento explica que "o NeuralGCM-1.4° simula 70.000 dias de simulação em 24 horas utilizando uma única unidade de processamento tensorial contra 19 dias simulados em 13.824 núcleos de unidade de processamento central com o X-SHiELD", que é um modelo de previsão meteorológica de alta resolução.
Os investigadores afirmam que os resultados mostram que o seu modelo tem capacidades impressionantes de modelação do clima. O documento refere que "os modelos NeuralGCM treinados com base em previsões de 72 horas são capazes de efetuar simulações realistas de vários anos".
Combinar a aprendizagem automática com modelos físicos tradicionais, como a Google fez com a previsão meteorológica, "tem o potencial de transformar a simulação numa vasta gama de aplicações, como a descoberta de materiais, a dobragem de proteínas e a conceção de engenharia multifísica".
A IA, ávida de recursos, fez com que os centros de dados fossem alvo de muitas críticas pelas suas emissões de carbono e pelo seu potencial impacto no clima.
O NeuralGCM é um bom exemplo de como a IA pode ter um impacto positivo no ambiente, substituindo, ou aumentando, processos tradicionais ineficientes para reduzir o consumo de energia informática.
