Bloomberg — Un simulador mejorado con IA es capaz de igualar la precisión de las predicciones meteorológicas habituales y también de extrapolar cuánto se ha recalentado la atmósfera con el cambio climático.
Según el equipo de investigación dirigido por Google, este simulador podría llevar al desarrollo de instrumentos de modelado del tiempo y el clima que requieren una pequeña fracción de la potencia de cálculo que se precisa actualmente. La investigación se ha publicado este lunes en Nature.
![La herramienta híbrida de Google simula el alza de temperaturas tan bien como los modelos. La herramienta híbrida de Google simula el alza de temperaturas tan bien como los modelos.](https://www.bloomberglinea.com/resizer/v2/GZFLQI6XDRCX3LYKIFQQJKC7L4.jpeg?auth=72923e782065f5178558f400e779a5a8eb3dc0450e96b3eab976e0841caed5f3&width=1000&height=626&quality=80&smart=true)
Stephan Hoyer, el investigador de Google que dirige el proyecto, explica que, al utilizar un enfoque híbrido que combina modelos basados en la física estándar con una herramienta de aprendizaje automático, el equipo ha evitado los inconvenientes de los experimentos que utilizan únicamente inteligencia artificial. “Hemos intentado desmontar la caja negra, en lugar de tener un modelo puramente de IA”, explica.
Lea más: Este arquitecto de IA diseñará la casa de tus sueños amigable con el clima
Los modelos meteorológicos y climáticos son instrumentos de trabajo para todo el espectro, desde los meteorólogos de las cadenas de televisión locales hasta los climatólogos que investigan cuánto puede calentarse nuestro planeta. Los modelos climáticos de hoy son la física transformada en software, con los principales componentes del sistema terrestre funcionando a la vez: atmósfera, océano, tierra y hielo.
Estos modelos pueden captar los sistemas climáticos y meteorológicos a gran escala con más confianza que los fenómenos localizados. Las nubes, las precipitaciones y los tornados se producen a escalas tan pequeñas que las ecuaciones generales no pueden describirlos. Los científicos suelen estimarlos a partir de datos del mundo real y los programan en los modelos como “parámetros”.
El modelo experimental, NeuralGCM, se basa en los modelos de circulación general (GCM, por sus siglas en inglés) existentes para simular la física a gran escala y utiliza un enfoque de aprendizaje automático, denominado red neuronal, para estimar las características a menor escala.
"Gracias a ello, somos capaces de construir un modelo que es mucho más estable y da resultados mucho más fiables cuando se ejecuta durante periodos de tiempo más largos en el futuro, incluso llegando a años o décadas", dijo Hoyer.
R. Saravanan, profesor de ciencias atmosféricas de la Universidad Texas A&M que no participó en la investigación, lo calificó de “avance importante en la modelización atmosférica y la predicción meteorológica a largo plazo, pero no necesariamente un salto de gigante en la predicción climática”.
El modelo híbrido tiene limitaciones. Sólo calcula el aumento de las temperaturas en la atmósfera, no en los océanos, la tierra o el hielo. Los modelos convencionales son capaces de simular todos los elementos principales del sistema terrestre.
Lea más: Las emisiones de carbono de Google incrementaron un 48% en cinco años por la IA
El nuevo enfoque tampoco permite aún a los investigadores variar el nivel de gases de efecto invernadero en la atmósfera, una función central de los modelos climáticos modernos. Los investigadores utilizan las temperaturas de la superficie del mar, no las emisiones, como su indicador para cambiar la atmósfera.
Saravanan dijo que el trabajo podría resultar especialmente útil para predecir el tiempo a escalas subestacional y estacional. Si el enfoque puede ampliarse para incluir los océanos, podría resultar útil a los investigadores que estudian los patrones meteorológicos de El Niño y La Niña, dijo.
Los investigadores están desarrollando una función en NeuralGCM que genere proyecciones de huracanes con un año de antelación, lo que, si se demuestra útil, podría ayudar a la gente a prepararse para las tormentas y a construir infraestructuras de adaptación, dijo Hoyer.
![Este modelo solamente calcula temperaturas atmosféricas, no en los océanos , tierra o hielo. Este modelo solamente calcula temperaturas atmosféricas, no en los océanos , tierra o hielo.](https://www.bloomberglinea.com/resizer/v2/MCO4QUY4MJDK3P3XSSUEZON5QA.jpeg?auth=07914cd7c5b69fc585cc50ba405a759351d679a526c62d36e2d1df9ae0d72af7&width=1000&height=665&quality=80&smart=true)
Los modelos atmosféricos de aprendizaje automático son mucho más rápidos y exigen menos potencia de cálculo que los modelos estándar. Uno de ellos, GraphCast, también desarrollado por Google, de Alphabet Inc., tiene 5.417 líneas de código, frente a las 376.578 líneas de un modelo del gobierno estadounidense. De Neural GCM, Hoyer dijo: “Se puede ejecutar en un ordenador portátil”.
Aún así, el aprendizaje automático no es un sustituto de la física, advirtió un científico del clima sobre los nuevos resultados. “No hay ningún camino que nos lleve al futuro del clima sin los modelos climáticos actuales”, dijo Gavin Schmidt, director del Instituto Goddard de Estudios Espaciales de la NASA.
Lea más: La obsesión por la IA eclipsa la gran promesa de las tecnologías climáticas
Los científicos suelen estimar la cantidad de calentamiento global que probablemente procederá de la contaminación por gases de efecto invernadero como una horquilla, lo que refleja la naturaleza caótica del clima.
Ocurre lo mismo en la predicción del tiempo, cuando los meteorólogos dicen que hay, por ejemplo, un 40% de probabilidades de lluvia. Los modelos basados en la física son capaces de afinar en ese caos y restringir cómo podría responder el mundo a temperaturas más altas. Pero los modelos de IA, al no computar directamente la física, no tienen forma de captar la borrosidad inherente e inevitable en la predicción, dijo Schmidt.
El avance más claro del nuevo modelo puede ser sobre las simulaciones climáticas que sólo utilizan el aprendizaje automático (ML).
"A primera vista, el NeuralGCM parece un gran avance en la modelización basada puramente en ML", dijo Saravanan. "En realidad, es todo lo contrario: el trabajo pone de relieve las limitaciones de los enfoques basados en ML puro".
El proyecto forma parte del gran impulso que Google está dando a la IA, y los autores señalan que su enfoque híbrido de física e IA podría impulsar otros esfuerzos en ciencia de materiales, plegamiento de proteínas e ingeniería.
La IA ya está teniendo otro efecto en Google: la computación de IA intensiva en energía hizo que sus emisiones de gases de efecto invernadero aumentaran un 48% en cinco años.
Lea más en Bloomberg.com