{"id":13552,"date":"2024-07-23T13:12:56","date_gmt":"2024-07-23T13:12:56","guid":{"rendered":"https:\/\/dailyai.com\/?p=13552"},"modified":"2024-07-23T13:19:34","modified_gmt":"2024-07-23T13:19:34","slug":"googles-ai-predicts-weather-using-fraction-of-computing-power","status":"publish","type":"post","link":"https:\/\/dailyai.com\/pt\/2024\/07\/googles-ai-predicts-weather-using-fraction-of-computing-power\/","title":{"rendered":"A IA da Google prev\u00ea o tempo utilizando uma fra\u00e7\u00e3o do poder de computa\u00e7\u00e3o"},"content":{"rendered":"

A Google apresentou o NeuralGCM, um modelo h\u00edbrido de previs\u00e3o meteorol\u00f3gica que combina a aprendizagem autom\u00e1tica com t\u00e9cnicas de previs\u00e3o tradicionais e que apresenta vantagens surpreendentes.<\/strong><\/p>\n

A previs\u00e3o meteorol\u00f3gica registou melhorias significativas na precis\u00e3o das previs\u00f5es, mas as t\u00e9cnicas tradicionais exigem vastos recursos inform\u00e1ticos para executar algoritmos cada vez mais complexos.<\/p>\n

Os modelos de circula\u00e7\u00e3o geral (GCM) constituem a base das previs\u00f5es clim\u00e1ticas e meteorol\u00f3gicas que nos permitem saber se vamos precisar de um guarda-chuva amanh\u00e3.<\/p>\n

Os GCM s\u00e3o simuladores baseados na f\u00edsica que utilizam equa\u00e7\u00f5es matem\u00e1ticas baseadas nas leis da f\u00edsica para simular a forma como o ar, a \u00e1gua e a energia se deslocam no planeta.<\/p>\n

Os GCM t\u00edpicos dividem a superf\u00edcie da Terra numa grelha de c\u00e9lulas at\u00e9 100 quil\u00f3metros, como um tabuleiro de xadrez gigante. O algoritmo processa cada quadrado numa abordagem faseada para prever a forma como as condi\u00e7\u00f5es atmosf\u00e9ricas s\u00e3o suscept\u00edveis de mudar.<\/p>\n

As equa\u00e7\u00f5es subjacentes aos GCM s\u00e3o incrivelmente complexas e mant\u00eam ocupados alguns dos maiores supercomputadores do mundo.<\/p>\n

Os modelos de aprendizagem autom\u00e1tica (ML) para a previs\u00e3o meteorol\u00f3gica t\u00eam demonstrado um potencial significativo, mas s\u00e3o essencialmente baseados em dados.<\/p>\n

Um modelo de previs\u00e3o meteorol\u00f3gica ML tem uma excelente ideia dos dados meteorol\u00f3gicos hist\u00f3ricos, mas n\u00e3o tem a compreens\u00e3o inerente das leis f\u00edsicas que regem a atmosfera que s\u00e3o modeladas num GCM.<\/p>\n

Os modelos de ML s\u00e3o r\u00e1pidos e podem fornecer previs\u00f5es exactas a curto prazo, mas muitas vezes t\u00eam dificuldades com a estabilidade a longo prazo e com os raros fen\u00f3menos meteorol\u00f3gicos extremos ou cen\u00e1rios clim\u00e1ticos futuros.<\/p>\n

O NeuralGCM, desenvolvido por uma equipa da Google Research, combina a precis\u00e3o e as capacidades de previs\u00e3o a longo prazo dos GCM tradicionais com a resolu\u00e7\u00e3o melhorada, a efici\u00eancia e a velocidade dos modelos ML.<\/p>\n

\n

O NeuralGCM est\u00e1 dispon\u00edvel gratuitamente e estamos ansiosos por ver como os cientistas o desenvolvem.<\/p>\n

Para mais pormenores, consulte a minha publica\u00e7\u00e3o no blogue que descreve o trabalho e o nosso c\u00f3digo-fonte aberto:https:\/\/t.co\/AfqLagoYDs<\/a>https:\/\/t.co\/MSlFg6pgfj<\/a><\/p>\n

- Stephan Hoyer (@shoyer) 22 de julho de 2024<\/a><\/p><\/blockquote>\n