Un nuevo modelo de IA puede proporcionar pronósticos de alta precisión incluso a partir de datos de baja resolución

Poder crear modelos meteorológicos precisos para la previsión meteorológica es esencial para todos los aspectos de la economía, desde la aviación hasta el transporte marítimo.

Hasta la fecha, los modelos meteorológicos se han basado principalmente en ecuaciones relacionadas con la termodinámica y la dinámica de fluidos en la atmósfera. Estos modelos son tremendamente costosos en términos computacionales y, por lo general, se ejecutan en grandes supercomputadoras.

Nuevos modelos con IA

Investigadores de empresas del sector privado como Nvidia y Google han comenzado a desarrollar grandes modelos de inteligencia artificial (IA), conocidos como modelos básicos, para la previsión meteorológica.

Recientemente, científicos del Laboratorio Nacional Argonne del Departamento de Energía de Estados Unidos (DOE), en estrecha colaboración con los investigadores Aditya Grover y Tung Nguyen de la Universidad de California en Los Ángeles, han comenzado a investigar este tipo alternativo de modelo. Este modelo podría producir, en algunos casos, previsiones incluso más precisas que los modelos numéricos de predicción meteorológica existentes a una fracción del coste computacional.

Algunos de estos modelos superan la capacidad de predicción de los modelos actuales más allá de siete días, lo que brinda a los científicos una ventana adicional al tiempo.

Los modelos básicos se basan en el uso de "tokens", que son pequeños fragmentos de información que un algoritmo de IA utiliza para aprender la física que determina el tiempo. Muchos modelos básicos se utilizan para el procesamiento del lenguaje natural, lo que significa manejar palabras y frases.

En el caso de estos grandes modelos lingüísticos, estos tokens son palabras o fragmentos de lenguaje que el modelo predice en secuencia. En el caso de este nuevo modelo de predicción meteorológica, los tokens son, en cambio, imágenes: fragmentos de gráficos que representan elementos como la humedad, la temperatura y la velocidad del viento en distintos niveles de la atmósfera.

"En lugar de interesarnos por una secuencia de texto, nos centramos en datos espacio-temporales, que se representan en imágenes", explica el informático de Argonne, Sandeep Madireddy. "Al utilizar estos fragmentos de imágenes en el modelo, tenemos una idea de sus posiciones relativas y de cómo interactúan gracias a la forma en que están tokenizadas".

El equipo científico puede utilizar datos de resolución bastante baja y aún así llegar a predicciones precisas, dijo el científico atmosférico de Argonne, Rao Kotamarthi.

"Durante años, la filosofía de la previsión meteorológica ha sido la de alcanzar resoluciones más altas para obtener mejores pronósticos. Esto se debe a que se puede resolver la física con mayor precisión, pero, por supuesto, esto implica un gran coste computacional", afirmó. "Pero ahora estamos descubriendo que, de hecho, podemos obtener resultados comparables a los modelos de alta resolución existentes, incluso con una resolución baja con el método que estamos utilizando".

Si bien la previsión meteorológica confiable a corto plazo parece ser un objetivo alcanzable a corto plazo con IA, intentar utilizar el mismo enfoque para el modelado climático, que implica analizar el clima a lo largo del tiempo, presenta un desafío adicional.

"En teoría, los modelos básicos también podrían utilizarse para la modelización climática. Sin embargo, existen más incentivos para que el sector privado busque nuevos enfoques para la previsión meteorológica que para la modelización climática", afirmó Kotamarthi.

"El trabajo sobre modelos básicos para el modelado climático probablemente seguirá siendo competencia de los laboratorios nacionales y universidades dedicadas a buscar soluciones en beneficio del público general".

Una razón por la que el modelado climático es tan difícil es que el clima está cambiando en tiempo real, dijo el científico ambiental de Argonne, Troy Arcomano.

"En lo que respecta al clima, hemos pasado de un estado en gran medida estacionario a un estado no estacionario. Esto significa que todas nuestras estadísticas sobre el clima están cambiando con el tiempo debido al carbono adicional en la atmósfera. Ese carbono también está modificando el presupuesto energético de la Tierra", afirmó. "Es complicado calcularlo numéricamente y todavía estamos buscando formas de utilizar la IA".

La introducción de la nueva supercomputadora de exaescala de Argonne, Aurora, ayudará a los investigadores a entrenar un modelo muy grande basado en IA que funcionará a resoluciones muy altas. "Necesitamos una máquina de exaescala para poder capturar un modelo de grano fino con IA", dijo Kotamarthi.

Referencia

Nguyen et al. Scaling Transformers For Skillful And Reliable Medium-Range Weather Forecasting. Tackling Climate Change with Machine Learning, ICLR (2024).