Cortesía de AI: Previsiones meteorológicas para la hora, la semana y el siglo

Durante décadas, la meteorología y el pronóstico del tiempo se definieron en gran medida ajustando las observaciones a modelos y ecuaciones cuidadosamente ajustados basados ​​en la física. Esto sigue siendo cierto (no hay ciencia sin observación), pero vastos archivos de datos han permitido potentes modelos de IA que cubren prácticamente cualquier escala de tiempo que se pueda considerar. Y Google pretende dominar el campo desde ahora hasta la eternidad.

En el extremo más corto del espectro tenemos la predicción inmediata, que a menudo se consulta para la pregunta «¿necesito un paraguas?» Esto es servido por Modelos de “previsión inmediata” de DeepMindque básicamente analizan los mapas de precipitación como una secuencia de imágenes (que en realidad lo son) y tratan de predecir cómo evolucionarán y cambiarán las formas en esas imágenes.

Con innumerables horas de radar Doppler para estudiar, el modelo puede tener una idea bastante sólida de lo que sucederá a continuación, incluso en situaciones bastante complejas como un frente frío que trae nieve o lluvia helada (como lo demuestran los investigadores chinos). aprovechando el trabajo de Google).

Este modelo es un ejemplo de cuán precisos pueden ser los pronósticos meteorológicos cuando los realiza un sistema que no tiene conocimiento real sobre cómo ocurre ese clima. Los meteorólogos te pueden decir que cuando este fenómeno meteorológico se encuentra con otro, aparece niebla, o granizo, o calor húmedo, porque eso les dice la física. El modelo de IA no sabe nada de física: al estar basado puramente en datos, simplemente hace una estimación estadística de lo que viene a continuación. Así como ChatGPT no «sabe» realmente de qué está hablando, los modelos meteorológicos no «saben» lo que predicen.

Puede resultar sorprendente para quienes piensan que se necesita un marco teórico sólido para producir predicciones precisas y, de hecho, los científicos todavía desconfían de adoptar ciegamente un sistema que no distingue una gota de lluvia de un rayo de sol. Aún así, los resultados son impresionantes y para preguntas de bajo riesgo como «¿lloverá mientras camino a la tienda?» es más que suficiente.

Los investigadores de Google también mostraron recientemente un nuevo modelo a más largo plazo. llamado MetNet-3, que predice hasta 24 horas en el futuro. Como puede imaginar, esto trae datos de un área más grande, como estaciones meteorológicas en todo el condado o estado, y sus predicciones ocurren a mayor escala. Esto es para cosas como “esa tormenta cruzará las montañas o se disipará”, etc. Saber si la velocidad del viento o el calor podrían entrar en territorio peligroso mañana por la mañana es esencial para planificar los servicios de emergencia y movilizar otros recursos.

Hoy trae un nuevo desarrollo en la escala de “rango medio”, que está entre 7 y 10 días en el futuro. Investigadores de Google DeepMind publicó un artículo en la revista Science que describe GraphCastque «predice las condiciones climáticas con hasta 10 días de anticipación con mayor precisión y mucho más rápido que el sistema de simulación climática estándar de oro de la industria».

GraphCast se aleja no sólo en el tiempo sino también en el tamaño, cubriendo todo el planeta con una resolución de 0,25 grados de longitud/latitud, o aproximadamente 28×28 kilómetros en el ecuador. Esto significa predecir cómo será en más de un millón de puntos alrededor de la Tierra, y si bien algunos de estos puntos son de interés más obvio que otros, el objetivo es crear un sistema global que prediga con precisión los patrones climáticos clave para la próxima semana. .o así.

«Nuestro enfoque no debe considerarse como un reemplazo de los métodos tradicionales de pronóstico del tiempo», escriben los autores, sino más bien como «evidencia de que MLWP es capaz de enfrentar los desafíos de los problemas de pronóstico del mundo real y tiene el potencial de complementar y mejorar los mejores métodos actuales». métodos». .”

No le dirá si lloverá en su vecindario o solo en la ciudad, pero es muy útil para eventos climáticos de mayor escala, como grandes tormentas y otras anomalías peligrosas. Ocurren en sistemas de miles de kilómetros de ancho, lo que significa que GraphCast los simula con considerable detalle y puede predecir sus movimientos y cualidades durante los próximos días, y todo esto usando una sola unidad de computación de Google durante menos de un minuto.

Este es un aspecto importante: la eficiencia. La “predicción numérica del tiempo”, los modelos tradicionales basados ​​en la física, son computacionalmente costosos. Por supuesto, pueden predecir más rápido de lo que ocurre el tiempo, de lo contrario serían inútiles, pero se necesita una supercomputadora para trabajar, e incluso así puede llevar un tiempo hacer predicciones con pequeñas variaciones.

Digamos, por ejemplo, que no está seguro de si un río atmosférico aumentará o disminuirá en intensidad antes de que un ciclón se cruce en su camino. Es posible que desees hacer algunas predicciones con diferentes niveles de aumento, y otras con diferentes disminuciones, y una si se mantiene igual, para que cuando ocurra una de estas eventualidades, tengas la predicción lista. Nuevamente, esto puede ser de gran importancia cuando se trata de tormentas, inundaciones e incendios forestales. Saber el día anterior que hay que evacuar una zona puede salvar vidas.

Estos trabajos pueden volverse muy complejos muy rápidamente cuando se tienen en cuenta muchas variables diferentes y, a veces, será necesario ejecutar el modelo docenas, o cientos, de veces para tener una idea real de cómo resultarán las cosas. Si estas predicciones tardan una hora cada una en un grupo de supercomputadoras, eso es un problema; si es un minuto cada uno en una computadora de escritorio de la que tienes miles, no hay ningún problema; de hecho, ¡podrías comenzar a pensar en predecir variaciones más grandes y sutiles!

Y esa es la idea detrás el proyecto ClimSim en AI2, el Instituto Allen de Inteligencia Artificial. ¿Qué pasaría si quisieras predecir no sólo 10 opciones diferentes sobre cómo será la próxima semana, sino mil opciones sobre cómo será el próximo siglo?

Este tipo de ciencia climática es importante para todo tipo de planificación a largo plazo, pero con una enorme cantidad de variables que manipular y predicciones que se publican durante décadas, puedes apostar que la potencia computacional requerida es igualmente enorme. Por eso, el equipo de AI2 está trabajando con científicos de todo el mundo para acelerar y mejorar estas predicciones utilizando el aprendizaje automático, mejorando las “predicciones” a escala de siglo.

Los modelos ClimSim funcionan de manera similar a los discutidos anteriormente: en lugar de conectar números en un modelo basado en la física ajustado manualmente, consideran todos los datos como un campo vectorial interconectado. Cuando un número aumenta y hace que otro aumente a la mitad pero un tercio disminuye a un cuarto, estas relaciones se integran en la memoria del modelo de aprendizaje automático, incluso si no sabe que pertenecen a (digamos) el CO2 atmosférico. Temperatura de la superficie del océano y biomasa.

El líder del proyecto con el que hablé dijo que los modelos que construyeron son impresionantemente precisos y, al mismo tiempo, mucho más baratos de ejecutar computacionalmente. Pero admitió que los científicos, aunque mantienen una mente abierta, operan (como es natural) desde un clima de escepticismo. El código está todo aquí. si quieres comprobarlo tú mismo.

Con escalas de tiempo tan largas y un cambio climático tan rápido, es difícil encontrar datos concretos adecuados para predicciones a largo plazo, pero dichas predicciones son cada vez más valiosas. Y como señalaron los investigadores de GraphCast, no reemplaza a otros métodos, sino que es un método complementario. No hay duda de que los científicos del clima querrán todas las herramientas que puedan conseguir.