Google DeepMind Research ha presentado WeatherNext 2, un sistema de pronóstico del tiempo global de mediano alcance basado en inteligencia artificial que ahora impulsa pronósticos actualizados en Google Search, Gemini, Pixel Weather y la API Weather de Google Maps Platform, y próximamente se integrará con Google Maps. Combina una nueva arquitectura de Red Generativa Funcional, o FGN, con un gran conjunto para ofrecer pronósticos probabilísticos que son más rápidos, más precisos y de mayor resolución que el sistema WeatherNext anterior, y se expone como productos de datos en Earth Engine, BigQuery y como un modelo de acceso temprano en Vertex AI.
De grillas deterministas a conjuntos funcionales
El núcleo de WeatherNext 2 es el modelo FGN. En lugar de predecir un único campo futuro determinista, el modelo toma muestras directamente de la distribución conjunta a lo largo de trayectorias climáticas globales de 15 días. Cada estado 𝑋ₜ incluye 6 variables atmosféricas en 13 niveles de presión y 6 variables de superficie en una cuadrícula de 0,25 grados de latitud y longitud, con un intervalo de tiempo de 6 horas. El modelo aprende a aproximar 𝑝(𝑋ₜ ∣ 𝑋ₜ₋₂:𝑡₋₁) y se ejecuta autorregresivamente desde dos marcos de análisis iniciales para generar trayectorias de conjunto.
Arquitectónicamente, cada instancia de FGN sigue un diseño similar al del eliminador de ruido GenCast. Un mapa codificador y decodificador de red neuronal gráfica entre la cuadrícula regular y una representación latente definida en una malla icosaédrica esférica refinada 6 veces. Un transformador gráfico opera en los nodos de la malla. La producción FGN utilizada para WeatherNext 2 es mayor que la de GenCast, con aproximadamente 180 millones de parámetros por semilla de modelo, dimensión latente 768 y 24 capas de transformador, en comparación con 57 millones de parámetros, 512 latentes y 16 capas para GenCast. FGN también se ejecuta en intervalos de 6 horas, mientras que GenCast utiliza intervalos de 12 horas.
Modelado de la incertidumbre epistémica y aleatoria en el espacio funcional.
FGN separa la incertidumbre epistémica y aleatoria de una manera práctica para pronósticos a gran escala. La incertidumbre epistémica, que proviene de datos limitados y un aprendizaje imperfecto, se maneja mediante un conjunto profundo de cuatro modelos inicializados y entrenados de forma independiente. Cada semilla del modelo tiene la arquitectura descrita anteriormente y el sistema genera un número igual de miembros del conjunto de cada semilla al producir pronósticos.
La incertidumbre aleatoria, que representa una variabilidad inherente en la atmósfera y procesos no resueltos, se maneja mediante perturbaciones funcionales. En cada paso de pronóstico, el modelo muestrea un vector de ruido gaussiano de 32 dimensiones 𝜖ₜ y lo alimenta a través de capas de normalización condicional de parámetros compartidos dentro de la red. Esto efectivamente muestra un nuevo conjunto de pesos 𝜃ₜ para ese pase hacia adelante. Diferentes valores de 𝜖ₜ dan pronósticos diferentes pero dinámicamente coherentes para la misma condición inicial, por lo que los miembros del conjunto parecen resultados meteorológicos distintos y plausibles, no ruido independiente en cada punto de la cuadrícula.
Capacitación sobre marginales con CRPS, aprendizaje de estructura conjunta.
Una opción de diseño clave es que FGN se entrena solo por ubicación, por variables marginales, no en objetivos multivariados explícitos. El modelo utiliza la puntuación de probabilidad clasificada continua (CRPS) como pérdida de entrenamiento, calculada con un estimador justo en muestras de conjunto en cada punto de la cuadrícula y promediada sobre variables, niveles y tiempo. CRPS fomenta distribuciones predictivas nítidas y bien calibradas para cada cantidad escalar. Durante las etapas posteriores del entrenamiento, los autores introducen despliegues autorregresivos cortos, de hasta 8 pasos, y se propagan hacia atrás a través del despliegue, lo que mejora la estabilidad a largo plazo, pero no es estrictamente necesario para un buen comportamiento articular.
A pesar de utilizar sólo una supervisión marginal, el bajo ruido dimensional y las perturbaciones funcionales compartidas obligan al modelo a aprender una estructura de articulación realista. Con un único vector de ruido de 32 dimensiones que influye en todo un campo global, la forma más fácil de reducir CRPS en todas partes es codificar correlaciones espaciales y de variables cruzadas físicamente consistentes a lo largo de esa variedad, en lugar de fluctuaciones independientes. Los experimentos confirman que el conjunto resultante captura agregados regionales realistas y cantidades derivadas.
Ganancias medidas sobre GenCast y las líneas de base tradicionales
En métricas marginales, el conjunto FGN de WeatherNext 2 mejora claramente con respecto a GenCast. FGN logra un mejor CRPS en el 99,9% de los casos con ganancias estadísticamente significativas, con una mejora promedio de alrededor del 6,5% y ganancias máximas cercanas al 18% para algunas variables en plazos de entrega más cortos. El error cuadrático medio medio del conjunto también mejora al tiempo que se mantienen buenas relaciones de habilidad de dispersión, lo que indica que la dispersión del conjunto es consistente con el error de pronóstico hasta 15 días.
Para probar la estructura conjunta, el equipo de investigación evaluó CRPS después de agruparlos en ventanas espaciales a diferentes escalas y en cantidades derivadas como la velocidad del viento de 10 metros y la diferencia en la altura geopotencial entre 300 hPa y 500 hPa. FGN mejora los CRPS agrupados promedio y máximo en relación con GenCast, lo que demuestra que modela mejor los agregados a nivel de región y las relaciones multivariadas, no solo los valores puntuales.
El seguimiento de ciclones tropicales es un caso de uso particularmente importante. Utilizando un rastreador externo, el equipo de investigación calcula los errores de seguimiento medios del conjunto. FGN logra errores de posición que corresponden aproximadamente a un día adicional de habilidad predictiva útil en comparación con GenCast. Incluso cuando se limita a una versión con intervalos de tiempo de 12 horas, FGN aún supera a GenCast más allá de los plazos de entrega de 2 días. El análisis del valor económico relativo en los campos de probabilidad de seguimiento también favorece a FGN sobre GenCast en una variedad de índices de pérdida de costos, lo cual es crucial para los tomadores de decisiones que planifican evacuaciones y protección de activos.
Conclusiones clave
Núcleo de la Red Generativa Funcional: WeatherNext 2 se basa en la Red Generativa Funcional, un conjunto de transformadores de gráficos que predice trayectorias globales completas de 15 días en una cuadrícula de 0,25° con un intervalo de tiempo de 6 horas, modelando 6 variables atmosféricas en 13 niveles de presión más 6 variables de superficie. Modelado explícito de incertidumbre epistémica y aleatoria: el sistema combina 4 semillas FGN entrenadas de forma independiente para incertidumbre epistémica con una entrada de ruido compartida de 32 dimensiones que perturba las capas de normalización de la red para incertidumbre aleatoria, por lo que cada muestra es un pronóstico alternativo dinámicamente coherente, no ruido puntual. Entrenado en marginales, mejora la estructura conjunta: FGN se entrena solo en marginales por ubicación utilizando CRPS justo, pero aún mejora la estructura espacial conjunta y de variables cruzadas con respecto al modelo WeatherNext Gen basado en difusión anterior, incluido CRPS agrupado más bajo en campos agregados a nivel de región y variables derivadas como la velocidad del viento de 10 metros y el espesor geopotencial. Aumentos constantes de precisión sobre GenCast y WeatherNext Gen: WeatherNext 2 logra mejores CRPS que el modelo WeatherNext anterior basado en GenCast en el 99,9% de las combinaciones de variables, niveles y tiempos de entrega, con mejoras promedio de CRPS de alrededor del 6,5 por ciento, RMSE medio de conjunto mejorado y mejor valor económico relativo para umbrales de eventos extremos y trayectorias de ciclones tropicales.
Consulte el documento completo, los detalles técnicos y la página del proyecto. No dude en consultar nuestra página de GitHub para tutoriales, códigos y cuadernos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.
🙌 Siga MARKTECHPOST: agréguenos como fuente preferida en Google.