Google AI prevê tendências e clima de longo prazo a longo prazo - em alguns minutos

Um modelo de computador que combina a tecnologia convencional de previsão do tempo com o aprendizado de máquina possui outras ferramentas baseadas em inteligência artificial (KI) em Previsão de cenários climáticos e tendências climáticas de longo prazo Exceder.

A ferramenta, descrita em 22 de julho em Nature 1 O modelo de aprendizagem que gera um cenário precise. Seu desenvolvimento abre a porta para previsões mais rápidas e menos intensivas em energia que as ferramentas existentes e são mais detalhadas do que as abordagens baseadas exclusivamente na IA.

"Os modelos climáticos tradicionais devem ser realizados em supercomputadores. Este é um modelo que você pode realizar em minutos", diz o estudo Mitar Stephan Hoyer, que estuda no Google Research em Mountain View, Califórnia, Deep Learning.

Os sistemas preditivos atuais normalmente dependem de modelos de circulação geral (GCMS), programas que dependem das leis da física para simular processos nos oceanos e atmosfera da Terra e prever como eles poderiam influenciar o clima e o clima. No entanto, os GCMs exigem muito poder de computação e o progresso no aprendizado de máquina oferece uma alternativa mais eficiente. "Temos terabyte ou petabyte (um milhão de vezes maior que um gigabyte) de dados climáticos históricos", diz Hoyer. "Ao aprender com esses padrões, podemos construir melhores modelos".

Já existem alguns modelos de aprendizado de máquina, como o pangumather, que foi criado pelo conglomerado de tecnologia Huawei, com sede em Shenzhen, China, e Graphcast por DeepMind com sede em Londres. Esses modelos têm níveis semelhantes de precisão que os GCMs típicos para previsões determinísticas - uma abordagem que gera uma única previsão do tempo. No entanto, os GCMs não são tão confiáveis ​​para previsões de conjuntos ou previsões climáticas de longo prazo.

"O problema com as abordagens de aprendizado mecânico puro é que você o treina apenas com dados que já viu", diz Scott Hosking, que opera pesquisas sobre IA e dados ambientais nos institutos de Londres. "As mudanças climáticas continuamente, entramos no desconhecido; portanto, nossos modelos de aprendizado de máquina precisam extrapolar para esse futuro desconhecido. Ao integrar a física no modelo, podemos garantir que nossos modelos sejam fisicamente limitados e não possam fazer nada irrealista".

Modelo híbrido

Hoyer e sua equipe desenvolveram e educaram o NeuralGCM, um modelo que combina "aspectos de um procedimento tradicional de empréstimo atmosférico baseado em física com alguns componentes da IA", diz Hoyer. Eles usaram o modelo para criar previsões climáticas de curto e longo prazo e projeções climáticas. Para avaliar a precisão do neuralgcm, os pesquisadores compararam suas previsões com dados do mundo real, bem como com os gastos de outros modelos, incluindo GCMs e aqueles que são baseados no aprendizado de máquina.

Como os modelos atuais de aprendizado de máquina, o NeuralGCM foi capaz de produzir previsões climáticas determinísticas e de curto prazo precisas - entre um e três dias de antecedência - consumindo uma fração da energia necessária para o GCMS. Ao produzir previsões de longo prazo em sete dias, no entanto, cometeu muito menos erros do que outros modelos de aprendizado mecânico. De fato, as previsões de longo prazo do neuralgcm foram semelhantes às previsões do modelo de conjunto do Centro Europeu de Previsão do Meteorologia de Médio Candidato (ECMWF-EN), um GCM que é amplamente considerado um padrão de ouro para previsões climáticas.

A equipe também testou o quão bem o modelo poderia prever diferentes fenômenos climáticos, como ciclones tropicais. Eles descobriram que muitos dos modelos de aprendizado de máquinas puros forneciam previsões inconsistentes e imprecisas em comparação com o NeuralGCM e o ECMWF-EN. Os pesquisadores até compararam o NeuralGCM com modelos climáticos de alta resolução, conhecidos como modelos globais de resistência à tempestade. O neuralgcm foi capaz de produzir números e trajetórias de ciclones tropicais mais realistas em um tempo mais curto.

A capacidade de prever tais eventos é "tão importante para melhorar as habilidades de decisão e as estratégias preparatórias", diz Hosking.

Hoyer e seus colegas querem refinar e se adaptar ainda mais. "Trabalhamos na parte atmosférica da modelagem do sistema terrestre ... talvez seja a parte que tem o efeito mais direto no clima diário", diz Hoyer. Ele acrescenta que a equipe deseja integrar mais aspectos das ciências da Terra em versões futuras para melhorar ainda mais a precisão do modelo.