Skillful seasonal forecasts with a freely evolving AI weather model
Este artículo presenta el Functional Graph Transformer (FGT), un modelo de IA probabilístico y rápido que logra pronósticos estacionales hábiles y de evolución libre al superar a la climatología en la mayoría de los casos y igualar la precisión del sistema de vanguardia SEAS5, mientras se ejecuta órdenes de magnitud más rápido.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina intentar predecir el clima no solo para mañana, sino para los próximos seis meses. Es un poco como intentar adivinar la trama de una película que aún no se ha filmado, donde los actores (el viento, la lluvia y las corrientes oceánicas) están improvisando salvajemente. Los científicos saben desde hace tiempo que la atmósfera es caótica; un pequeño cambio hoy puede conducir a una tormenta completamente diferente la próxima semana. Debido a esto, los modelos meteorológicos tradicionales son como supercomputadoras ejecutando una simulación física masiva y detallada de todo el planeta. Son increíblemente poderosos pero también increíblemente pesados, requiriendo enormes cantidades de energía y tiempo para ejecutar incluso un solo pronóstico.
Sin embargo, existe un enfoque más nuevo y rápido que utiliza la Inteligencia Artificial (IA). Piensa en los modelos climáticos de IA como un estudiante que ha leído todos los informes meteorológicos de los últimos 70 años y ha aprendido a detectar patrones. Si bien estos estudiantes de IA son excelentes prediciendo los próximos días, a menudo les cuesta mantener la coherencia de su historia cuando se les pide que predigan meses en el futuro. Tienden a olvidar las conexiones del "panorama general" entre el océano, la tierra y el cielo, o se quedan atrapados en un bucle donde el clima simplemente se repite. La gran pregunta en la ciencia en este momento es: ¿Podemos construir una IA que no solo adivine el día siguiente, sino que realmente pueda "vivir" dentro del sistema climático durante meses, evolucionando naturalmente como lo hace el mundo real, sin necesidad de que un humano corrija constantemente su historia?
Esto es exactamente lo que los investigadores detrás de este artículo se propusieron hacer. Introdujeron un nuevo sistema de IA llamado Functional Graph Transformer (FGT). A diferencia de los modelos de IA anteriores a los que se les decía cuál sería la temperatura del océano (como si se les diera un guion), el FGT es de "evolución libre". Esto significa que predice la atmósfera, la temperatura de la superficie del mar, el hielo marino y la humedad del suelo, todo a la vez, día tras día, basándose enteramente en sus propias predicciones previas. Es como enseñarle a un personaje de un videojuego a jugar el juego sin un código de trucos, dejando que descubra por sí mismo cómo se comunican el océano y la atmósfera.
Los resultados son bastante prometedores. El equipo probó su modelo ejecutándolo hacia adelante durante seis meses y comparándolo con el "estándar de oro" de la previsión meteorológica, un sistema masivo llamado SEAS5. Descubrieron que el FGT fue sorprendentemente bueno. En un asombroso 96% de las diferentes variables que midieron (desde la lluvia hasta la velocidad del viento, a través de diferentes meses), el FGT fue mejor que simplemente adivinar basándose en promedios históricos. Aún más impresionante, al compararlo directamente con el pesado sistema SEAS5, el FGT logró mantener al menos el 80% de la capacidad predictiva en el 77% de los casos. Y lo mejor de todo es que lo hizo mientras corría miles de veces más rápido, tomando solo unos 19 minutos en un solo chip de computadora potente para generar un pronóstico de seis meses para todo el globo, mientras que el sistema tradicional tomaría días de tiempo de supercomputadora.
El artículo también descubrió algunas peculiaridades interesantes sobre cómo aprende esta IA. Por ejemplo, si se obliga a la IA a simplemente "aferrarse" a las condiciones iniciales del océano y el suelo (un método llamado "persistencia"), su capacidad para predecir la lluvia en realidad empeora. Pero cuando se le permite a la IA dejar que esas condiciones superficiales cambien y evolucionen naturalmente, los pronósticos de lluvia mejoran mucho. El modelo también mostró que podía predecir el tiempo de eventos climáticos importantes como El Niño (un calentamiento del Océano Pacífico) de manera razonablemente buena, incluso si a veces subestimaba qué tan fuerte sería el evento. Aunque no es perfecto todavía —todavía lucha un poco por predecir la fuerza exacta de ciertos patrones oceánicos en comparación con los modelos tradicionales—, demuestra que una IA puede aprender a contar una historia climática coherente y de varios meses sin necesidad de que un humano le lleve de la mano en cada paso del camino. Esto sugiere que, en el futuro, podríamos no necesitar modelos separados y lentos para el clima a corto plazo y las estaciones a largo plazo; una sola IA inteligente y rápida podría manejar toda la línea de tiempo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.