Google AI pronostican tendencias climáticas a largo plazo y clima: en unos minutos

Un modelo de computadora que combina la tecnología de pronóstico meteorológico convencional con el aprendizaje automático tiene otras herramientas basadas en inteligencia artificial (KI) en Predicción de escenarios meteorológicos y tendencias climáticas a largo plazo Exceder.

La herramienta, que se describió el 22 de julio en Nature 1 Modelo de aprendizaje que genera precisos de precisión de precisión de precisión-aquellos que representan una cantidad de escenarios de escenarios de escenarios. Su desarrollo abre la puerta a predicciones que son más rápidas y menos intensivas en energía que las herramientas existentes y son más detallados que los enfoques que se basan exclusivamente en IA.

"Los modelos climáticos tradicionales deben llevarse a cabo en supercomputadoras. Este es un modelo que puede llevar a cabo en minutos", dice el estudio Mitar Stephan Hoyer, quien estudia en Google Research en Mountain View, California, aprendizaje profundo.

Los sistemas predictivos actuales generalmente dependen de los modelos de circulación general (GCMS), programas que dependen de las leyes de la física para simular procesos en los océanos y la atmósfera de la Tierra y predicen cómo podrían influir en el clima y el clima. Sin embargo, los GCM requieren mucha potencia informática, y el progreso en el aprendizaje automático ofrece una alternativa más eficiente. "Tenemos terabyte o petabyte (un millón de veces más grande que un gigabyte) de datos meteorológicos históricos", dice Hoyer. "Al aprender de estos patrones, podemos construir mejores modelos".

Ya hay algunos modelos de aprendizaje automático como el clima Pangu, que fue creado por el conglomerado tecnológico Huawei, con sede en Shenzhen, China y Graphcast por DeepMind con sede en Londres. Estos modelos tienen niveles similares de precisión que los GCM típicos para las predicciones deterministas, un enfoque que genera un solo pronóstico meteorológico. Sin embargo, los GCM no son tan confiables para pronósticos de conjunto o pronósticos climáticos a largo plazo.

"El problema con los enfoques de aprendizaje mecánico puro es que solo lo capacita en datos que ya ha visto", dice Scott Hosking, quien opera investigaciones sobre IA y datos ambientales en Institutos en Londres. "El clima cambia continuamente, entramos en lo desconocido, por lo que nuestros modelos de aprendizaje automático tienen que extrapolar en este futuro desconocido. Al integrar la física en el modelo, podemos asegurarnos de que nuestros modelos estén físicamente limitados y no pueden hacer nada poco realista".

modelo híbrido

Hoyer y su equipo desarrollaron y educaron a NeuralGCM, un modelo que combina "aspectos de un procedimiento de préstamo atmosférico basado en física tradicional con algunos componentes de IA", dice Hoyer. Usaron el modelo para crear pronósticos meteorológicos a corto y largo plazo y proyecciones climáticas. Para evaluar la precisión de NeuralGCM, los investigadores compararon sus predicciones con los datos del mundo real, así como el gasto de otros modelos, incluidos los GCM y los que se basan en el aprendizaje automático.

Al igual que los modelos actuales de aprendizaje automático, NeuralGCM pudo producir pronósticos climáticos deterministas de corto plazo precisos, entre uno y tres días de anticipación, consumiendo una fracción de la energía requerida para los GCM. Sin embargo, al producir pronósticos a largo plazo durante siete días, cometió muchos menos errores que otros modelos de aprendizaje mecánico. De hecho, los pronósticos a largo plazo de NeuralGCM fueron similares a las predicciones del modelo de conjunto del Centro Europeo para el pronóstico climático de mediano alcance (ECMWF-EN), un GCM que se considera ampliamente un estándar de oro para las previsiones meteorológicas.

El equipo también probó qué tan bien el modelo podría predecir diferentes fenómenos climáticos, como los ciclones tropicales. Descubrieron que muchos de los modelos de aprendizaje automático puro entregaron predicciones inconsistentes e inexactas en comparación con NeuralGCM y ECMWF-EN. Los investigadores incluso compararon NeuralGCM con modelos climáticos de alta resolución, que se conocen como modelos globales de resolución de tormentas. NeuralGCM pudo producir números y trayectorias de ciclones tropicales más realistas en un tiempo más corto.

La capacidad de predecir tales eventos es "tan importante para mejorar las habilidades de decisión y las estrategias preparatorias", dice Hosking.

Hoyer y sus colegas quieren refinar y adaptarse aún más. "Hemos trabajado en la parte atmosférica del modelado del sistema de la Tierra ... es quizás la parte la que tiene el efecto más directo en el clima cotidiano", dice Hoyer. Agrega que el equipo quiere integrar más aspectos de las ciencias de la Tierra en versiones futuras para mejorar aún más la precisión del modelo.