Los modelos de circulación general (GCM) forman la columna vertebral de la predicción meteorológica y climática, aprovechando los solucionadores numéricos para dinámicas de gran escala y parametrizaciones para procesos de menor escala como la formación de nubes. A pesar de las mejoras continuas, los GCM enfrentan desafíos significativos, incluidos errores persistentes, sesgos e incertidumbres en las proyecciones climáticas de largo plazo y los eventos meteorológicos extremos. Los modelos de aprendizaje automático (ML) recientes han tenido un éxito notable en los pronósticos meteorológicos de corto plazo. Aun así, carecen de estabilidad para las predicciones de largo plazo y no brindan estimaciones de incertidumbre calibradas, lo que limita su utilidad.
GoogleAI propone NeuralGCM para abordar las limitaciones en la predicción del clima y el tiempo mediante modelos de circulación general (GCM). Los GCM tradicionales, que se basan en simulaciones basadas en la física, requieren un uso intensivo de recursos computacionales y tienen dificultades para lograr una estabilidad a largo plazo y pronósticos precisos de conjuntos. Estos GCM combinan solucionadores numéricos para dinámicas atmosféricas a gran escala con parametrizaciones empíricas para procesos a menor escala, como la formación de nubes. Los modelos de aprendizaje automático, entrenados con datos históricos como ERA5 de ECMWF, han demostrado capacidades impresionantes de predicción meteorológica a corto plazo con costos computacionales más bajos, pero fallan en la predicción a largo plazo y la precisión de conjuntos.
NeuralGCM de GoogleAI es un modelo híbrido que combina un solucionador diferenciable para la dinámica atmosférica con componentes de aprendizaje automático para parametrizar procesos físicos. Este modelo tiene como objetivo aprovechar las ventajas de los GCM tradicionales y de los enfoques de aprendizaje automático, ofreciendo pronósticos estables y precisos en varias escalas de tiempo con una eficiencia computacional significativa.
NeuralGCM integra un núcleo dinámico diferenciable con un módulo de física aprendida, que utiliza una red neuronal para predecir los efectos de los procesos atmosféricos no resueltos. El enfoque de entrenamiento de extremo a extremo implica la retropropagación a través de múltiples pasos de simulación, aumentando gradualmente la duración de la implementación de 6 horas a 5 días. Este método garantiza que el modelo tenga en cuenta las interacciones entre la física aprendida y la dinámica a gran escala, lo que mejora la estabilidad y la precisión.
Se realizaron experimentos para evaluar el rendimiento de NeuralGCM frente a los mejores modelos de su clase, como ECMWF-HRES y sistemas de predicción por conjuntos, así como modelos de aprendizaje automático como GraphCast y Pangu. Para los pronósticos meteorológicos de 1 a 15 días, NeuralGCM logra una precisión comparable, y la versión estocástica muestra un menor error y mejores predicciones de la media del conjunto. En las simulaciones climáticas, NeuralGCM rastrea con precisión las métricas climáticas durante varias décadas y simula fenómenos emergentes como los ciclones tropicales, con un notable ahorro computacional.
En conclusión, NeuralGCM aborda con éxito las limitaciones tanto de los modelos de GCM tradicionales como de los modelos de aprendizaje automático puro, y proporciona un enfoque híbrido estable y preciso para la predicción del clima y el tiempo. Al combinar solucionadores diferenciables con parametrizaciones de aprendizaje automático, NeuralGCM mejora las simulaciones físicas a gran escala esenciales para comprender y predecir el sistema de la Tierra, al tiempo que ofrece una eficiencia computacional significativa.
Revisar la Papel y DetallesTodo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de Telegram y LinkedIn Gr¡Arriba!. Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Más de 47 000 suscriptores de ML en Reddit
Encuentra lo próximo Seminarios web sobre IA aquí
Pragati Jhunjhunwala es pasante de consultoría en MarktechPost. Actualmente está cursando su licenciatura en tecnología en el Instituto Indio de Tecnología (IIT) de Kharagpur. Es una entusiasta de la tecnología y tiene un gran interés en el ámbito de las aplicaciones de software y ciencia de datos. Siempre está leyendo sobre los avances en diferentes campos de la IA y el ML.
