NeuralGCM, modelo de Google que une IA y física para la predicción meteorológica
El modelo es capaz de realizar previsiones meteorológicas a corto y medio plazo, así como de simular el clima a lo largo de varias décadas
avances TecnolÓgIcos
![NeuralGCM / X](https://imagenes.cronica.com.mx/files/image_375_184/uploads/2024/07/22/669eb0e32a335.jpeg)
NeuralGCM / X
Google Research presenta un nuevo modelo de libre acceso que combina física y aprendizaje automático capaz de realizar previsiones meteorológicas a corto y medio plazo, así como de simular el clima a lo largo de varias décadas.
Denominado NeuralGCM, supera a algunos modelos existentes de predicción meteorológica y climática y tiene el potencial de suponer un gran ahorro de potencia computacional respecto a los simuladores convencionales. Su descripción se publica en la revista Nature.
Reducir la incertidumbre en torno a las previsiones a largo plazo y estimar los fenómenos meteorológicos extremos es clave para ayudar a comprender la mitigación del cambio climático y la adaptación al mismo, resume la revista.
Los modelos de circulación general, que representan los procesos físicos de la atmósfera, el océano y la tierra, son la base actual de las predicciones meteorológicas y climáticas.
Estos son simuladores basados en la física que combinan un solucionador numérico para dinámicas a gran escala con representaciones ajustadas para procesos a pequeña escala, como la formación de nubes.
Se han propuesto modelos de aprendizaje automático como método alternativo de predicción meteorológica, con la ventaja de reducir los costes computacionales, pero a menudo no funcionan tan bien como los de circulación general cuando se trata de previsiones a largo plazo.
En este estudio, el equipo de Google Research de Stephan Hoyer presenta NeuralGCM, un modelo atmosférico que combina el aprendizaje automático y métodos basados en la física.
El nuevo modelo atmosférico puede 'competir' con la precisión de las predicciones del Centro Europeo de Predicción Meteorológica a Medio Plazo para previsiones de 1 a 15 días, según los autores, que, entre otros, compararon su diseño con el modelo X-SHiELD -basado en la física-.
Para pronósticos con hasta 10 días de anticipación, NeuralGCM compite y en ocasiones supera la precisión de los enfoques de aprendizaje automático existentes.
Al predecir las temperaturas y la humedad globales para el año 2020, NeuralGCM obtuvo entre un 15 % y un 50 % menos de error que X-SHiELD, y generó esas predicciones en 8 minutos frente a los 20 días del otro modelo solo basado en la física.
Cuando los autores incluyeron las temperaturas de la superficie del mar en las predicciones climáticas a 40 años utilizando NeuralGCM, comprobaron que los resultados que producía el modelo coincidían con las tendencias de calentamiento global observadas en los datos del Centro Europeo de Predicción Meteorológica a Medio Plazo.
También superó los modelos climáticos preexistentes en la predicción de ciclones y sus trayectorias.
"NeuralGCM produce simulaciones climáticas con el mismo nivel de precisión que los mejores métodos de aprendizaje automático y basados en la física", resumen sus responsables, que añaden que, en conjunto, estos resultados sugieren que el aprendizaje automático es un método viable para mejorar los modelos de circulación general.
Google Research ha puesto NeuralGCM a disposición del público en GitHub, lo que permite a los investigadores trabajar con él.
NeuralGCM se entrenó con de ERA5, un conjunto de datos de libre acceso con una densa reconstrucción tridimensional de la atmósfera terrestre de los últimos 80 años. Fue elaborado por el Centro Europeo de Predicción Meteorológica a Medio Plazo.
Aunque aún no es definitivo, este centro ha expresado su interés en utilizar NeuralGCM como parte de su conjunto experimental de modelos de IA, según fuentes de Google.
En noviembre de 2023 la compañía publicó en Science otro modelo de predicción meteorológica también basado en aprendizaje automático, GraphCast. Según sus responsables -de DeepMind-, "supera significativamente" a los sistemas tradicionales y sirve para ofrecer alertas más tempranas sobre fenómenos meteorológicos extremos.