Atualmente, o melhor modelo de previsão meteorológica do mundo é o Modelo de Distribuição Geral, ou GCM, compilado pelo Centro Europeu de Previsão Meteorológica de Médio Prazo. Os GCMs são baseados em parte em códigos que calculam a física de vários processos atmosféricos que conhecemos bem. O GCM geralmente depende de algo chamado “parametrização”. Isto tenta usar relações determinadas empiricamente para aproximar o que está acontecendo em um processo para o qual não entendemos completamente a física.
Recentemente, o GCM enfrentou a concorrência de técnicas de aprendizado de máquina, que treinam sistemas de IA para reconhecer padrões em dados meteorológicos e usá-los para prever condições que ocorrerão nos próximos dias. No entanto, as suas previsões tendem a ficar um pouco confusas após alguns dias e não podem abordar factores de longo prazo, como aqueles que precisam de ser considerados quando se utilizam GCM para estudar as alterações climáticas.
Na segunda-feira, equipes do grupo de IA do Google e do Centro Europeu de Previsão Meteorológica de Médio Prazo anunciaram o NeuralGCM, um sistema que combina a circulação atmosférica de base física com a parametrização de IA de outras influências climáticas. Neural GCM é computacionalmente eficiente e tem um desempenho muito bom em benchmarks de previsão do tempo. Notavelmente, também pode produzir resultados de aparência razoável para execuções que abrangem várias décadas e pode potencialmente abordar questões relacionadas com o clima. Embora os modelos climáticos não consigam lidar com grande parte do que utilizamos, existem alguns caminhos óbvios para melhorias potenciais.
Conheça a Neuralgcm
NeuralGCM é um sistema de duas partes. Existe algo que os pesquisadores chamam de “núcleo dinâmico”. Ele trata da física da convecção atmosférica em grande escala e leva em consideração a física fundamental, como a gravidade e a termodinâmica. Todo o resto é tratado pela parte de IA. “Isso é tudo que não está nas equações da mecânica dos fluidos”, disse Stephan Hoyer, do Google. “Isso significa nuvens, chuva, radiação solar, arrastando-se ao longo da superfície da Terra. Também significa todos os termos residuais na equação que ocorrem abaixo de uma escala de grade de cerca de 100 quilômetros ou mais.” Eu não posso saber. Em vez de treinar módulos individuais para lidar com um único processo, como a formação de nuvens, a parte de IA é treinada para lidar com tudo de uma vez.
É crucial que todo o sistema seja treinado simultaneamente com o núcleo de física, em vez de treinar a IA separadamente. Inicialmente, a avaliação de desempenho e as atualizações da rede neural foram realizadas em intervalos de 6 horas, uma vez que o sistema não era muito estável até ser pelo menos parcialmente treinado. Com o tempo, eles se estendem para 5 dias.
Como resultado, é competitivo com os melhores sistemas de previsão que duram até 10 dias e muitas vezes supera a concorrência dependendo das medições precisas utilizadas (além dos benchmarks de previsão do tempo, os pesquisadores também usam ciclones tropicais, atmosféricos. Investigamos características como como rios, rios atmosféricos e zonas de convergência intertropical). Previsões mais longas tendem a produzir características menos desfocadas do que aquelas feitas por preditores de IA pura. Esta resolução mais baixa significa uma grade quadrada maior (a superfície da Terra é dividida em quadrados individuais para fins computacionais), o que reduz significativamente os requisitos de computação do que a maioria dos outros modelos.
Apesar do sucesso com o clima, houve algumas advertências importantes. Uma é que o NeuralGCM tende a subestimar eventos extremos que ocorrem nos trópicos. A segunda é que na verdade não modela a precipitação. Em vez disso, calcula o equilíbrio entre evaporação e precipitação.
No entanto, também tem algumas vantagens sobre alguns outros modelos de previsão de curto prazo. Entre elas está a de que na verdade não se limita à execução no curto prazo. Os pesquisadores deixaram-no funcionar por até dois anos e reproduziram com sucesso um ciclo sazonal razoável, incluindo características de circulação atmosférica em grande escala. Outros longos períodos mostraram que é possível gerar boas contagens de ciclones tropicais que seguem trajetórias que refletem padrões observados no mundo real.
