Los algoritmos detrás de las herramientas de IA generativa como DallE, cuando se combinan con datos basados en la física, pueden usarse para desarrollar mejores formas de modelar el clima de la Tierra. Los científicos informáticos de Seattle y San Diego han utilizado esta combinación para crear un modelo que es capaz de predecir patrones climáticos durante 100 años 25 veces más rápido que el estado de la técnica.
Específicamente, el modelo, llamado Spherical DYffusion, puede proyectar 100 años de patrones climáticos en 25 horas, una simulación que llevaría semanas para otros modelos. Además, los modelos más modernos existentes deben ejecutarse en superordenadores. Este modelo puede ejecutarse en clústeres de GPU en un laboratorio de investigación.
«Los modelos de aprendizaje profundo basados en datos están a punto de transformar los modelos meteorológicos y climáticos globales», escriben los investigadores de la Universidad de California en San Diego y el Instituto Allen de IA.
El equipo de investigación presentará su trabajo en la conferencia NeurIPS 2024, del 9 al 15 de diciembre en Vancouver, Canadá.
Actualmente, generar simulaciones climáticas es muy costoso debido a su complejidad. Como resultado, los científicos y los responsables de la formulación de políticas sólo pueden realizar simulaciones durante un período de tiempo limitado y considerar escenarios limitados.
Una de las ideas clave de los investigadores fue que los modelos generativos de IA, como los modelos de difusión, podrían usarse para proyecciones climáticas conjuntas. Combinaron esto con un operador neuronal esférico, un modelo de red neuronal diseñado para trabajar con datos en una esfera.
El modelo resultante comienza con el conocimiento de los patrones climáticos y luego aplica una serie de transformaciones basadas en datos aprendidos para predecir patrones futuros.
«Una de las principales ventajas sobre un modelo de difusión (DM) convencional es que nuestro modelo es mucho más eficiente. Es posible generar predicciones igual de realistas y precisas con los DM convencionales, pero no con tanta velocidad», escriben los investigadores.
Además de funcionar mucho más rápido que lo último en tecnología, el modelo también es casi tan preciso sin ser tan costoso desde el punto de vista computacional.
El modelo tiene algunas limitaciones que los investigadores pretenden superar en sus próximas iteraciones, como incluir más elementos en sus simulaciones. Los próximos pasos incluyen simular cómo responde la atmósfera al CO2.
«Emulamos la atmósfera, que es uno de los elementos más importantes en un modelo climático», dijo Rose Yu, miembro de la facultad del Departamento de Ciencias de la Computación e Ingeniería de UC San Diego y una de las autoras principales del artículo.
El trabajo surge de una pasantía que uno de los Ph.D. Los estudiantes Salva Ruhling Cachay lo hicieron en el Instituto Allen de IA (Ai2).
