Un nuevo modelo de predicción meteorológica de Google combina IA con física tradicional
Aunque las nuevas técnicas de aprendizaje automático que predicen el tiempo a partir de años de datos pasados son extremadamente rápidas y eficientes, pueden tener dificultades para realizar predicciones a largo plazo. Por otro lado, los modelos de circulación general, que han dominado la predicción meteorológica durante los últimos 50 años, utilizan ecuaciones complejas para modelar los cambios en la atmósfera y brindar proyecciones precisas, pero su funcionamiento es extremadamente lento y costoso. Los expertos están divididos sobre qué herramienta será la más confiable en el futuro, pero el nuevo modelo de Google intenta combinar las dos.
“No se trata de una cuestión de física versus IA. En realidad, se trata de física e IA juntas”, afirma Stephan Hoyer, investigador de IA en Google DeepMind y coautor del artículo.
El sistema sigue utilizando un modelo convencional para calcular algunos de los grandes cambios atmosféricos necesarios para hacer una predicción. Luego incorpora inteligencia artificial, que suele funcionar bien cuando los modelos más grandes no dan resultado, por lo general para predicciones en escalas menores a unos 25 kilómetros, como las que tratan sobre formaciones de nubes o microclimas regionales (la niebla de San Francisco, por ejemplo). “Ahí es donde inyectamos inteligencia artificial de manera muy selectiva para corregir los errores que se acumulan en escalas pequeñas”, dice Hoyer.
Según los investigadores, el resultado es un modelo que puede producir predicciones de calidad más rápidamente y con menos potencia computacional. Afirman que NeuralGCM es tan preciso como los pronósticos de uno a quince días del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), que es una organización asociada en la investigación.
Pero la verdadera promesa de esta tecnología no está en mejores predicciones meteorológicas para la zona local, dice Aaron Hill, profesor adjunto de la Escuela de Meteorología de la Universidad de Oklahoma, que no participó en esta investigación. En cambio, está en fenómenos climáticos de mayor escala que son prohibitivamente costosos de modelar con técnicas convencionales. Las posibilidades podrían ir desde predecir ciclones tropicales con más antelación hasta modelar cambios climáticos más complejos que se producirán a años vista.
“Es muy exigente en términos computacionales simular el globo una y otra vez o durante largos períodos de tiempo”, dice Hill. Eso significa que los mejores modelos climáticos se ven obstaculizados por los altos costos de la capacidad computacional, lo que representa un verdadero cuello de botella para la investigación.