En septiembre, los investigadores de la unidad de inteligencia artificial DeepMind de Google en Londres prestaron una atención inusual al clima al otro lado del charco. Faltaban al menos 10 días para que el huracán Lee tocara tierra (eones en términos de pronóstico) y los pronósticos oficiales todavía dudaban entre que la tormenta aterrizara en las principales ciudades del noreste o no las alcanzaran por completo. El propio software experimental de DeepMind había hecho un pronóstico muy específico de que tocaría tierra mucho más al norte. “Estábamos clavados en nuestros asientos”, dice el investigador Rémi Lam.
Una semana y media después, el 16 de septiembre, Lee tocó tierra justo donde el software de DeepMind, llamado GraphCast, había predicho días antes: Long Island, Nueva Escocia, lejos de los principales centros de población. Se sumó a una temporada revolucionaria para una nueva generación de modelos meteorológicos impulsados por IA, incluidos otros construidos por Nvidia y Huawei, cuyo sólido desempeño ha tomado al campo por sorpresa. Los pronosticadores veteranos dijeron a WIRED a principios de esta temporada de huracanes que las serias dudas de los meteorólogos sobre la IA han sido reemplazadas por la expectativa de grandes cambios en el futuro para el campo.
Hoy, Google compartió nueva evidencia revisada por pares de esa promesa. En un artículo publicado hoy en Ciencia, los investigadores de DeepMind informan que su modelo superó los pronósticos del Centro Europeo de Predicción Meteorológica a Plazo Medio (ECMWF), un gigante mundial de la predicción meteorológica, en el 90 por ciento de más de 1.300 variables atmosféricas como la humedad y la temperatura. Mejor aún, el modelo DeepMind podría ejecutarse en una computadora portátil y generar un pronóstico en menos de un minuto, mientras que los modelos convencionales requieren una supercomputadora gigante.
Aire fresco
Las simulaciones meteorológicas estándar hacen sus predicciones intentando replicar la física de la atmósfera. Han mejorado a lo largo de los años, gracias a mejores matemáticas y a la incorporación de observaciones meteorológicas detalladas de crecientes armadas de sensores y satélites. También son engorrosos. Los pronósticos en los principales centros meteorológicos como el ECMWF o la Asociación Nacional Oceánica y Atmosférica de EE. UU. pueden tardar horas en calcularse en servidores potentes.
Cuando Peter Battaglia, director de investigación de DeepMind, comenzó a analizar el pronóstico del tiempo hace unos años, parecía el problema perfecto para su particular estilo de aprendizaje automático. DeepMind ya había asumido pronósticos de precipitaciones locales con un sistema llamado NowCasting, entrenado con datos de radar. Ahora su equipo quería intentar predecir el clima a escala global.
Battaglia ya lideraba un equipo centrado en aplicar sistemas de inteligencia artificial llamados redes neuronales gráficas, o GNN, para modelar el comportamiento de los fluidos, un desafío físico clásico que puede describir el movimiento de líquidos y gases. Dado que la predicción del tiempo es fundamental para modelar el flujo de moléculas, aprovechar los GNN parecía intuitivo. Si bien entrenar estos sistemas es pesado y requiere cientos de unidades de procesamiento de gráficos especializadas, o GPU, para procesar enormes cantidades de datos, el sistema final es, en última instancia, liviano y permite generar pronósticos rápidamente con una potencia de computadora mínima.
Los GNN representan datos como “gráficos” matemáticos: redes de nodos interconectados que pueden influirse entre sí. En el caso de los pronósticos meteorológicos de DeepMind, cada nodo representa un conjunto de condiciones atmosféricas en un lugar particular, como temperatura, humedad y presión. Estos puntos están distribuidos por todo el mundo y a distintas altitudes: una nube literal de datos. El objetivo es predecir cómo interactuarán todos los datos en todos esos puntos con sus vecinos, capturando cómo cambiarán las condiciones con el tiempo.