MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres

Resumo Técnico: MarsCast – Transferência de Aprendizado de Modelos de Fundação de IA de Clima para Atmosferas Planetárias

Definição do Problema
Avanços recentes em aprendizado de máquina estabeleceram modelos de fundação de clima baseados na Terra, como o GraphCast, como ferramentas de estado da arte para a previsão terrestre, oferecendo vantagens computacionais significativas sobre a Previsão Numérica de Tempo (NpT) tradicional. No entanto, a aplicabilidade desses modelos a ambientes planetários não terrestres permanece inexplorada. A atmosfera de Marte apresenta um desafio distinto devido à sua composição fina dominada por CO₂, pressões superficiais duas ordens de magnitude menores que as da Terra e uma dinâmica única impulsionada por forte variabilidade diurna, troca de massa sazonal e aquecimento de aerossóis de poeira. Os Modelos de Clima Global de Marte (MGCMs) tradicionais são fisicamente abrangentes, mas computacionalmente intensivos, limitando sua utilidade para previsões rápidas ou quantificação de incerteza baseada em conjuntos (ensembles). A questão central abordada é se modelos de fundação atmosférica treinados na Terra podem ser transferidos para ambientes com físicas e composições fundamentalmente diferentes e, se sim, quais limitações existem na aplicação zero-shot e como elas podem ser superadas através de ajuste fino (fine-tuning).

Metodologia
O estudo adapta o GraphCast, um modelo de previsão de tempo baseado em redes neurais de grafos (GNN) originalmente treinado nos dados de reanálise ERA5 da Terra, para simular a dinâmica atmosférica de Marte. A metodologia procede em duas fases:

1. Preparação e Pré-processamento de Dados:

   • Dados de Origem: O Mars Climate Database (MCD) fornece campos atmosféricos globais, incluindo temperatura do ar a 2 metros, temperatura de superfície e variáveis atmosféricas em 13 níveis verticais de pressão (50–1000 Pa), juntamente com o forçamento de radiação solar no topo da atmosfera (TOA).
   • Redimensionamento (Rescaling): Para manter a consistência numérica com os pesos pré-treinados do GraphCast, os campos de temperatura de Marte foram redimensionados para corresponder à faixa dinâmica do conjunto de dados ERA5 usando uma transformação linear.
   • Tratamento de Variáveis: Os inputs do modelo incluíram temperatura a 2 metros, componentes de vento a 10 metros e campos de vento/temperatura 3D em 13 níveis. Crucialmente, a umidade foi mantida constante em um valor médio global para isolar a variabilidade da temperatura e reduzir a dimensionalidade, e a máscara terra-mar foi definida como unidade (tratando Marte como inteiramente terra).
   • Amostragem Temporal: Os dados foram amostrados às 00, 06, 12 e 18 horas para capturar ciclos diurnos, com o ciclo sazonal representado pela longitude solar ($L_s$).

2. Design Experimental:

   • Avaliação Zero-Shot: O GraphCast foi aplicado de forma autorregressiva aos estados de Marte sem retreinamento para avaliar sua capacidade de generalizar a dinâmica aprendida na Terra para Marte.
   • Estratégia de Ajuste Fino (Fine-Tuning): Uma abordagem de ajuste fino direcionada foi empregada usando o otimizador AdamW (taxa de aprendizado $1 \times 10^{-6}$) e perda de Erro Quadrático Médio (MSE). O modelo foi descongelado para permitir a adaptação do codificador, processador e decodificador. O treinamento utilizou trios sequenciais de passos de tempo (ex: $T_{00}, T_{06} \rightarrow T_{12}$) para aprender o aquecimento e resfriamento diurno impulsionados pelo forçamento solar.
   • Análise de Sensibilidade: Experimentos avaliaram o desempenho através de variações de durações de treinamento (até ~1000 épocas) e tamanhos de amostra (subconjuntos de 30, 100 e 360 dias).

Principais Contribuições

• Demonstração de Transferibilidade: O estudo fornece a primeira evidência de que um modelo de fundação de clima treinado na Terra pode ser adaptado para simular a dinâmica atmosférica de Marte, indo além das abordagens de treinamento "do zero" tentadas anteriormente para modelos de IA planetária.
• Identificação de Modos de Falha Zero-Shot: A pesquisa caracteriza a falha específica de modelos treinados na Terra em cenários zero-shot, observando um decaimento rápido em direção às médias climatológicas e uma incapacidade completa de reproduzir a variabilidade diurna.
• Protocolo de Adaptação Eficiente: O artigo estabelece um protocolo de ajuste fino que requer dados mínimos (apenas 30 dias de amostras de treinamento) e recursos computacionais (horas em uma única GPU) para alcançar o aprendizado rápido da dinâmica térmica planetária.
• Modelo de Código Aberto: O modelo resultante ajustado, denominado "MarsCast", juntamente com sua arquitetura e checkpoints, foi disponibilizado via GitHub e Hugging Face.

Resultados

• Desempenho Zero-Shot: Sem o ajuste fino, o GraphCast produziu padrões espaciais discerníveis, mas falhou em capturar ciclos diurnos. As previsões colapsaram rapidamente em direção ao equilíbrio climatológico, indicando que o balanço radiativo e as suposições termodinâmicas específicas da Terra não se generalizam para Marte.
• Aprendizado Rápido via Ajuste Fino:
  • Ciclo Diurno: Em apenas 10 épocas de treinamento, o modelo ajustado começou a capturar o ciclo de aquecimento e resfriamento diurno de Marte.
  • Precisão: Após ~1000 épocas, o modelo reproduziu a variabilidade da temperatura diurna consistente com o forçamento solar, com erros reduzidos para menos de ±2 K na maioria dos locais.
  • Eficiência de Dados: O modelo demonstrou alta eficiência de dados, aprendendo a dinâmica planetária efetivamente a partir de pequenos subconjuntos do MCD.
• Estrutura Vertical e Sazonal:
  • Perfis Verticais: O MarsCast reproduziu com sucesso perfis de temperatura verticais em 13 níveis, mostrando forte concordância com o MCD na atmosfera média (250–800 Pa). As discrepâncias foram ligeiramente maiores na atmosfera inferior e superior, mas preservaram os principais gradientes.
  • Sazonalidade: O modelo mantele a habilidade de previsão através de quatro estações representativas ($L_s = 60^\circ, 150^\circ, 240^\circ, 330^\circ$), capturando com precisão a dependência sazonal.
• Previsão de Vento: Quando as variáveis de vento foram incluídas na fase final de ajuste fino, o modelo previu com sucesso tanto os ventos meridionais quanto os zonais, com diferenças de velocidade de vento geralmente dentro de ±4 m/s para as primeiras 48 horas.

Significância e Alegações
O artigo alega que a principal significância deste trabalho reside em demonstrar a viabilidade de adaptar modelos de fundação de clima da Terra para a ciência planetária, oferecendo um caminho para uma previsão meteorológica auxiliada por IA, rápida. Os autores destacam três vantagens específicas desta abordagem:

1. Velocidade: A geração de previsões é ordens de magnitude mais rápida do que rodar MGCMs físicos completos.
2. Eficiência Computacional: Gerar uma previsão de 10 dias com resolução de 1° requer aproximadamente 2 minutos em uma única GPU, comparado a 30 minutos em uma única CPU para uma previsão baseada em física de 5° de resolução mais grosseira. Esta eficiência permite o uso prático de previsão de conjuntos (ensemble forecasting).
3. Melhoria de Resolução: Apesar de ser inicializado com dados do MCD reduzidos para 1° via interpolação bilinear, os outputs do modelo capturam visualmente detalhes de resolução mais fina, sugerindo que modelos de fundação podem efetivamente realizar o downscaling de inputs mais grosseiros.

O estudo conclui que, embora a implementação atual simplifique a dinâmica de poeira e umidade, o sucesso do MarsCast valida o conceito de usar um modelo de fundação "base" para adaptação planetária. Esta abordagem fornece um método de baixo custo para gerar novos modelos planetários, apoiando futuras operações de missões, mitigação de riscos de tempestades de poeira e planejamento de exploração humana.