Los modelos meteorológicos y climáticos impulsados ​​por IA cambiarán el futuro de la previsión, afirman los investigadores

Un nuevo sistema para pronosticar el tiempo y predecir el clima futuro utiliza inteligencia artificial (IA) para lograr resultados comparables con los mejores modelos existentes utilizando mucho menos poder computacional, según sus creadores.

En un papel publicado en NaturalezaUn equipo de investigadores de Google, el MIT, Harvard y el Centro Europeo de Previsiones Meteorológicas a Medio Plazo afirman que su modelo ofrece enormes «ahorros computacionales» y puede «mejorar las simulaciones físicas a gran escala que son esenciales para comprender y predecir el sistema terrestre».

El modelo NeuralGCM es el último de un flujo constante de modelos de investigación que utilizan avances en aprendizaje automático para hacer predicciones meteorológicas y climáticas más rápidas y económicas.

¿Qué es NeuralGCM?

El modelo NeuralGCM tiene como objetivo combinar las mejores características de los modelos tradicionales con un enfoque de aprendizaje automático.

En esencia, NeuralGCM es lo que se denomina un «modelo de circulación general». Contiene una descripción matemática del estado físico de la atmósfera terrestre y resuelve ecuaciones complicadas para predecir lo que sucederá en el futuro.

Sin embargo, NeuralGCM también utiliza el aprendizaje automático (un proceso de búsqueda de patrones y regularidades en grandes cantidades de datos) para algunos procesos físicos menos conocidos, como la formación de nubes. El enfoque híbrido garantiza que el resultado de los módulos de aprendizaje automático sea coherente con las leyes de la física.

El modelo resultante puede utilizarse luego para realizar pronósticos meteorológicos con días y semanas de antelación, así como para hacer predicciones climáticas con meses y años de antelación.

Los investigadores compararon NeuralGCM con otros modelos utilizando un conjunto estandarizado de pruebas de pronóstico llamadas Banco meteorológico 2Para los pronósticos de tres y cinco días, NeuralGCM funcionó tan bien como otros modelos meteorológicos de aprendizaje automático, como Pangu y GraficoCastPara pronósticos de mayor alcance, de diez y quince días, NeuralGCM fue tan preciso como los mejores modelos tradicionales existentes.

NeuralGCM también tuvo bastante éxito en la predicción de fenómenos meteorológicos menos comunes, como ciclones tropicales y ríos atmosféricos.

¿Por qué el aprendizaje automático?

Los modelos de aprendizaje automático se basan en algoritmos que aprenden patrones en los datos que reciben y luego utilizan este aprendizaje para hacer predicciones. Debido a que los sistemas climáticos y meteorológicos son sumamente complejos, los modelos de aprendizaje automático requieren grandes cantidades de observaciones históricas y datos satelitales para su entrenamiento.

El proceso de entrenamiento es muy costoso y requiere una gran potencia informática. Sin embargo, una vez que se ha entrenado un modelo, su uso para realizar predicciones es rápido y económico. Este es uno de los motivos principales por los que resulta atractivo para la previsión meteorológica.

El alto costo de capacitación y el bajo costo de uso son similares a otros tipos de modelos de aprendizaje automático. GPT-4, por ejemplo, según se informa Le tomó varios meses de capacitación a un costo de más de US$100 millones, pero puede responder a una consulta en cuestión de minutos.

Una debilidad de los modelos de aprendizaje automático es que suelen tener dificultades en situaciones desconocidas (o, en este caso, condiciones climáticas extremas o sin precedentes). Para ello, un modelo debe poder generalizar o extrapolar más allá de los datos con los que fue entrenado.

NeuralGCM parece ser mejor en esto que otros modelos de aprendizaje automático, porque su núcleo basado en la física proporciona cierta base en la realidad. A medida que el clima de la Tierra cambie, las condiciones climáticas sin precedentes se volverán más comunes y no sabemos qué tan bien los modelos de aprendizaje automático podrán seguir el ritmo.

En realidad, todavía nadie utiliza modelos meteorológicos basados ​​en el aprendizaje automático para realizar previsiones meteorológicas diarias. Sin embargo, se trata de un área de investigación muy activa y, de una forma u otra, podemos estar seguros de que las previsiones del futuro incluirán el aprendizaje automático.

Este artículo se vuelve a publicar desde La conversación bajo una licencia Creative Commons. Lea el artículo original.