DeepMind AI predice el clima con mayor precisión que los pronósticos existentes

Google DeepMind afirma que su última IA de pronóstico del tiempo puede hacer predicciones más rápidas y precisas que las simulaciones basadas en la física existentes.

GenCast es el último proyecto de investigación en curso de DeepMind para utilizar inteligencia artificial para mejorar el pronóstico del tiempo. El modelo se entrenó con cuatro décadas de datos históricos del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF). Archivo ERA5que incluye mediciones periódicas de la temperatura, la velocidad del viento y la presión a distintas altitudes en todo el mundo.

Se utilizaron datos hasta 2018 para entrenar el modelo y luego se utilizaron datos de 2019 para probar sus predicciones con el tiempo conocido. La compañía descubrió que superó el pronóstico ENS estándar de la industria del ECMWF el 97,4 por ciento de las veces en total, y el 99,8 por ciento de las veces cuando se anticiparon más de 36 horas.

El año pasado, DeepMind trabajó con ECMWF para crear una IA que superó el pronóstico de 10 días HRES de alta resolución “estándar de oro”. más del 90 por ciento del tiempo. Antes de eso, había desarrollado modelos de “predicción inmediata” que predijo la posibilidad de lluvia en un área determinada de 1 kilómetro cuadrado con una antelación de 5 a 90 minutos utilizando 5 minutos de datos de radar. Y Google también está trabajando en formas de uso de IA para reemplazar pequeñas partes de modelos deterministas para acelerar el cálculo manteniendo la precisión.

Los pronósticos meteorológicos existentes se basan en simulaciones físicas ejecutadas en potentes supercomputadoras que modelan y extrapolan de manera determinista patrones climáticos con la mayor precisión posible. Los pronosticadores suelen ejecutar docenas de simulaciones con entradas ligeramente diferentes en grupos llamados conjuntos para capturar mejor una variedad de resultados posibles. Estas simulaciones cada vez más complejas y numerosas requieren un uso computacional extremadamente intensivo y requieren máquinas cada vez más potentes y que consumen más energía para funcionar.

La IA podría ofrecer una solución menos costosa. Por ejemplo, GenCast crea pronósticos con un conjunto de 50 futuros posibles, cada uno de los cuales toma solo 8 minutos en un chip Google Cloud TPU v5 personalizado y centrado en IA.

GenCast opera con una resolución de células de alrededor de 28 kilómetros cuadrados en el ecuador. Desde que se recopilaron los datos utilizados en esta investigación, la ENS del ECMWF se ha actualizado a una resolución de sólo 9 kilómetros.

Precio de Ilán en DeepMind dice que es posible que la IA no necesite hacer lo mismo y podría ofrecer un camino a seguir sin recopilar datos más precisos ni ejecutar cálculos más intensivos. “Cuando se tiene un modelo tradicional basado en la física, ese es un requisito necesario para obtener predicciones más precisas, porque es un requisito necesario para resolver con mayor precisión las ecuaciones físicas”, dice Price. “[With] aprendizaje automático, [it] “No es necesariamente cierto que ir a una resolución más alta sea un requisito para obtener simulaciones o predicciones más precisas de su modelo”.

David Schultz de la Universidad de Manchester, Reino Unido, dice que los modelos de IA presentan una oportunidad para hacer que los pronósticos meteorológicos sean más eficientes, pero a menudo se los sobrevalora, y es importante recordar que dependen en gran medida de datos de entrenamiento de modelos tradicionales basados ​​en la física.

“¿Es [GenCast] ¿Va a revolucionar la predicción numérica del tiempo? No, porque todavía hay que ejecutar los modelos numéricos de predicción meteorológica para entrenarlos”, afirma Schultz. “Si nunca hubieras tenido el ECMWF en primer lugar, la creación de los reanálisis ERA5 y toda la inversión que se invirtió en ello, no tendrías estas herramientas de IA. Eso es como decir: ‘Puedo vencer a Garry Kasparov en ajedrez, pero sólo después de estudiar cada movimiento que realizó’”.

Serguéi Frolov La Administración Nacional Oceánica y Atmosférica de EE. UU. (NOAA) cree que la IA necesitará datos de entrenamiento con mayor resolución para seguir avanzando. “Lo que estamos viendo fundamentalmente es que todos estos enfoques se están deteniendo [from advancing] por la fidelidad de los datos de entrenamiento”, dice. “Y los datos de capacitación provienen de centros operativos como ECMWF y NOAA. Para hacer avanzar este campo, necesitamos generar más datos de entrenamiento con modelos de mayor fidelidad basados ​​en la física”.

Pero por ahora, GenCast ofrece una forma de ejecutar pronósticos con un costo de cálculo más bajo y más rápidamente. kieran cazar de la Universidad de Reading, Reino Unido, afirma que, así como una colección de pronósticos basados ​​en la física puede generar mejores resultados que un solo pronóstico, cree que los conjuntos aumentarán la precisión de los pronósticos de la IA.

Hunt señala el temperaturas récord de 40°C (104°F) visto en el Reino Unido en 2022 como ejemplo. Una semana o dos antes, había miembros solitarios de los conjuntos que lo predijeron, pero se consideraron anómalos. Luego, a medida que nos acercábamos a la ola de calor, más y más pronósticos se alinearon, lo que permitió advertir con anticipación que algo inusual se avecinaba.

“Te permite protegerte un poco si hay un miembro que muestra algo realmente extremo; podría suceder, pero probablemente no”, dice Hunt. “No lo consideraría necesariamente un cambio radical. Se trata de combinar las herramientas que hemos estado usando en el pronóstico del tiempo durante un tiempo con el nuevo enfoque de IA de una manera que sin duda funcionará para mejorar la calidad de los pronósticos meteorológicos de IA. No tengo ninguna duda de que esto funcionará mejor que el tipo de primera ola de pronósticos meteorológicos de IA”.