El martes, la revista Science, revisada por pares, publicó un estudio que muestra cómo un modelo meteorológico de inteligencia artificial de Google DeepMind llamado GraphCast ha superado significativamente a los métodos convencionales de pronóstico del tiempo al predecir las condiciones climáticas globales con hasta 10 días de anticipación. El logro sugiere que los pronósticos meteorológicos futuros pueden llegar a ser mucho más precisos, informan The Washington Post y Financial Times.
En el estudio, GraphCast demostró un rendimiento superior al del sistema convencional líder en el mundo, operado por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF). En una evaluación integral, GraphCast superó al sistema de ECMWF en el 90 por ciento de 1380 métricas, incluyendo temperatura, presión, velocidad y dirección del viento y humedad en varios niveles atmosféricos.
Y GraphCast hace todo esto rápidamente: «Predice cientos de variables meteorológicas, durante 10 días con una resolución global de 0,25°, en menos de un minuto», escriben los autores en el artículo «Learning Skillful Medium-Range Global Weather Forecasting».
Esto marca un avance notable en velocidad y precisión para la IA en meteorología. Matthew Chantry, coordinador de aprendizaje automático del ECMWF, reconoció el rápido progreso en una entrevista con el Financial Times y dijo que un sistema de inteligencia artificial en meteorología había progresado «mucho más rápido y de manera más impresionante de lo que esperábamos incluso hace dos años».
GraphCast utiliza lo que los investigadores llaman una arquitectura de aprendizaje automático de «red neuronal gráfica», entrenada en más de cuatro décadas de datos meteorológicos históricos del ECMWF. Procesa los estados atmosféricos globales actuales y de hace seis horas, generando un pronóstico de 10 días en aproximadamente un minuto en una computadora en la nube Google TPU v4. El método de aprendizaje automático de Google contrasta con los métodos convencionales de predicción numérica del tiempo que dependen de supercomputadoras para procesar ecuaciones basadas en la física atmosférica, lo que consume significativamente más tiempo y energía.
Google DeepMind
Chantry destacó la eficiencia de GraphCast al Financial Times, estimándolo en aproximadamente 1.000 veces más barato en términos de consumo de energía en comparación con los métodos tradicionales. Un ejemplo de su éxito en la previsión fue su predicción de la llegada del huracán Lee a Nueva Escocia con nueve días de antelación, tres días antes que los enfoques tradicionales.
A pesar del avance, GraphCast tiene limitaciones. No superó a los modelos convencionales en todos los escenarios, como la repentina intensificación del huracán Otis, que azotó Acapulco con una advertencia mínima el 25 de octubre. Además, debido a limitaciones tecnológicas, los modelos globales de IA aún no pueden crear pronósticos tan detallados o granulares como los tradicionales, lo que los hace más ideales para examinar fenómenos de menor escala, según The Washington Post. Y tienen problemas de transparencia, ya que los meteorólogos aún no pueden mirar dentro de la «caja negra» del modelo de IA y ver exactamente por qué hace el pronóstico que hace.
En última instancia, los investigadores de Google DeepMind ven su enfoque basado en IA como un complemento a las técnicas actuales de predicción del tiempo. «Nuestro enfoque no debe considerarse como un reemplazo de los métodos tradicionales de pronóstico del tiempo», escriben, «que han sido desarrollados durante décadas, probados rigurosamente en muchos contextos del mundo real y ofrecen muchas características que aún no hemos explorado».
De cara al futuro, el ECMWF planea desarrollar su propio modelo de IA y explorar su integración con su sistema numérico de predicción meteorológica. La Met Office del Reino Unido, en colaboración con el Instituto Alan Turing, también está desarrollando una red neuronal gráfica para la predicción meteorológica que se incorporará a su infraestructura de supercomputadoras en el futuro.