Un modelo climático combina inteligencia artificial y datos para predecir patrones 25 veces más rápido que lo normal
La inteligencia artificial, IA, permite al modelo, llamado Spherical DYffusion, proyectar 100 años de patrones climáticos en 25 horas con un coste computacional más bajo que otros modelos avanzados.
Los algoritmos que sustentan las herramientas de inteligencia artificial generativa como DallE, cuando se combinan con datos basados en la física, se pueden utilizar para desarrollar mejores formas de modelar el clima de la Tierra. Los científicos informáticos de Seattle y San Diego han utilizado esta combinación para crear un modelo capaz de predecir patrones climáticos a lo largo de 100 años 25 veces más rápido que el estado del arte actual.
En concreto, el modelo, llamado Spherical DYffusion, puede proyectar 100 años de patrones climáticos en 25 horas, una simulación que llevaría semanas para otros modelos. Además, los modelos de última generación existentes deben ejecutarse en supercomputadoras. Este modelo puede ejecutarse en clústeres de GPU en un laboratorio de investigación.
" Los modelos de aprendizaje profundo basados en datos están a punto de transformar el modelado meteorológico y climático global", escriben los investigadores de la Universidad de California en San Diego y el Instituto Allen de IA.
Nuevas simulaciones climáticas con IA
El equipo de investigación presentará su trabajo en la conferencia NeurIPS 2024, del 9 al 15 de diciembre en Vancouver, Canadá.
Actualmente, las simulaciones climáticas son muy costosas de generar debido a su complejidad. Como resultado, los científicos y los responsables de las políticas solo pueden realizarlas durante un período de tiempo limitado y considerar solo escenarios limitados.
Una de las principales conclusiones de los investigadores fue que los modelos de IA generativos, como los modelos de difusión, podrían utilizarse para realizar proyecciones climáticas en conjunto. Lo combinaron con un operador neuronal esférico, un modelo de red neuronal diseñado para trabajar con datos en una esfera.
"Una de las principales ventajas sobre un modelo de difusión (DM) convencional es que nuestro modelo es mucho más eficiente. Es posible generar predicciones igual de realistas y precisas con los DM convencionales, pero no con tanta velocidad", escriben los investigadores.
Además de funcionar mucho más rápido que los modelos de última generación, el modelo es casi tan preciso sin ser tan costoso desde el punto de vista computacional.
El vídeo muestra dos muestras aleatorias de 10 años de duración de Spherical DYffusion y una simulación de validación correspondiente a partir de un modelo existente. Crédito: Universidad de California - San Diego
El modelo tiene algunas limitaciones que los investigadores pretenden superar en las próximas iteraciones, como incluir más elementos en sus simulaciones. Los próximos pasos incluyen simular cómo responde la atmósfera al CO2.
"Emulamos la atmósfera, que es uno de los elementos más importantes en un modelo climático", dijo Rose Yu, miembro de la facultad del Departamento de Ciencias de la Computación e Ingeniería de la UC San Diego y uno de los autores principales del artículo.
Más información aquí.
Fuente: Universidad de California, San Diego