\n<\/p>\n
En septiembre, los investigadores de la unidad de inteligencia artificial DeepMind de Google en Londres prestaron una atenci\u00f3n inusual al clima al otro lado del charco. Faltaban al menos 10 d\u00edas para que el hurac\u00e1n Lee tocara tierra (eones en t\u00e9rminos de pron\u00f3stico) y los pron\u00f3sticos oficiales todav\u00eda dudaban entre que la tormenta aterrizara en las principales ciudades del noreste o no las alcanzaran por completo. El propio software experimental de DeepMind hab\u00eda hecho un pron\u00f3stico muy espec\u00edfico de que tocar\u00eda tierra mucho m\u00e1s al norte. \u201cEst\u00e1bamos clavados en nuestros asientos\u201d, dice el investigador R\u00e9mi Lam.<\/p>\n
Una semana y media despu\u00e9s, el 16 de septiembre, Lee toc\u00f3 tierra justo donde el software de DeepMind, llamado GraphCast, hab\u00eda predicho d\u00edas antes: Long Island, Nueva Escocia, lejos de los principales centros de poblaci\u00f3n. Se sum\u00f3 a una temporada revolucionaria para una nueva generaci\u00f3n de modelos meteorol\u00f3gicos impulsados \u200b\u200bpor IA, incluidos otros construidos por Nvidia y Huawei, cuyo s\u00f3lido desempe\u00f1o 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 meteor\u00f3logos sobre la IA han sido reemplazadas por la expectativa de grandes cambios en el futuro para el campo.<\/p>\n
Hoy, Google comparti\u00f3 nueva evidencia revisada por pares de esa promesa. En un art\u00edculo publicado hoy en Ciencia<\/em>, los investigadores de DeepMind informan que su modelo super\u00f3 los pron\u00f3sticos del Centro Europeo de Predicci\u00f3n Meteorol\u00f3gica a Plazo Medio (ECMWF), un gigante mundial de la predicci\u00f3n meteorol\u00f3gica, en el 90 por ciento de m\u00e1s de 1.300 variables atmosf\u00e9ricas como la humedad y la temperatura. Mejor a\u00fan, el modelo DeepMind podr\u00eda ejecutarse en una computadora port\u00e1til y generar un pron\u00f3stico en menos de un minuto, mientras que los modelos convencionales requieren una supercomputadora gigante.<\/p>\n El pron\u00f3stico de diez d\u00edas de un modelo meteorol\u00f3gico basado en inteligencia artificial para el hurac\u00e1n Lee en septiembre predijo con precisi\u00f3n d\u00f3nde tocar\u00eda tierra.<\/p>\n <\/span>Cortes\u00eda de Google<\/span><\/div>\n<\/figure>\n Aire fresco<\/p>\n Las simulaciones meteorol\u00f3gicas est\u00e1ndar hacen sus predicciones intentando replicar la f\u00edsica de la atm\u00f3sfera. Han mejorado a lo largo de los a\u00f1os, gracias a mejores matem\u00e1ticas y a la incorporaci\u00f3n de observaciones meteorol\u00f3gicas detalladas de crecientes armadas de sensores y sat\u00e9lites. Tambi\u00e9n son engorrosos. Los pron\u00f3sticos en los principales centros meteorol\u00f3gicos como el ECMWF o la Asociaci\u00f3n Nacional Oce\u00e1nica y Atmosf\u00e9rica de EE. UU. pueden tardar horas en calcularse en servidores potentes.<\/p>\n Cuando Peter Battaglia, director de investigaci\u00f3n de DeepMind, comenz\u00f3 a analizar el pron\u00f3stico del tiempo hace unos a\u00f1os, parec\u00eda el problema perfecto para su particular estilo de aprendizaje autom\u00e1tico. DeepMind ya hab\u00eda asumido pron\u00f3sticos de precipitaciones locales con un sistema llamado NowCasting, entrenado con datos de radar. Ahora su equipo quer\u00eda intentar predecir el clima a escala global.<\/p>\n Battaglia ya lideraba un equipo centrado en aplicar sistemas de inteligencia artificial llamados redes neuronales gr\u00e1ficas, o GNN, para modelar el comportamiento de los fluidos, un desaf\u00edo f\u00edsico cl\u00e1sico que puede describir el movimiento de l\u00edquidos y gases. Dado que la predicci\u00f3n del tiempo es fundamental para modelar el flujo de mol\u00e9culas, aprovechar los GNN parec\u00eda intuitivo. Si bien entrenar estos sistemas es pesado y requiere cientos de unidades de procesamiento de gr\u00e1ficos especializadas, o GPU, para procesar enormes cantidades de datos, el sistema final es, en \u00faltima instancia, liviano y permite generar pron\u00f3sticos r\u00e1pidamente con una potencia de computadora m\u00ednima.<\/p>\n Los GNN representan datos como \u201cgr\u00e1ficos\u201d matem\u00e1ticos: redes de nodos interconectados que pueden influirse entre s\u00ed. En el caso de los pron\u00f3sticos meteorol\u00f3gicos de DeepMind, cada nodo representa un conjunto de condiciones atmosf\u00e9ricas en un lugar particular, como temperatura, humedad y presi\u00f3n. Estos puntos est\u00e1n distribuidos por todo el mundo y a distintas altitudes: una nube literal de datos. El objetivo es predecir c\u00f3mo interactuar\u00e1n todos los datos en todos esos puntos con sus vecinos, capturando c\u00f3mo cambiar\u00e1n las condiciones con el tiempo.<\/p>\n<\/div>\n