A nova IA da DeepMind promete as previsões meteorológicas de 10 dias mais precisas do mundo

Um novo modelo de IA O Google DeepMind é o sistema de previsão meteorológica global de 10 dias mais preciso do mundo, de acordo com o laboratório com sede em Londres.

Chamado GraphCast, o modelo promete previsões meteorológicas de médio prazo com “precisão sem precedentes”. Em uma pesquisa publicada hoje, o GraphCast foi considerado mais preciso e mais rápido do que o padrão ouro da indústria para simulação climática, a Previsão de Alta Resolução (HRES).

O sistema também previu condições meteorológicas extremas de um futuro mais distante do que era possível anteriormente. Estas informações foram analisadas pelo Centro Europeu de Previsões Meteorológicas a Médio Prazo (ECMWF), uma organização intergovernamental que produz o HRES.

Uma versão ao vivo do Graphcast foi implantada no site do ECMWF. Em setembro, o sistema previu com precisão que o furacão Lee atingiria a Nova Escócia com cerca de nove dias de antecedência.

Em contraste, os métodos tradicionais de previsão apenas destacaram a Nova Escócia cerca de seis dias antes do previsto. Eles também forneceram previsões menos consistentes sobre a hora e o local do desembarque.

Curiosamente, o GraphCast pode identificar eventos climáticos perigosos sem ser treinado para encontrá-los. Depois de integrar um rastreador de ciclone simples, o modelo previu o movimento do ciclone com mais precisão do que o método HRES.

Esses dados poderiam salvar vidas e meios de subsistência. À medida que o clima se torna mais extremo e imprevisível, previsões rápidas e precisas fornecerão informações cada vez mais vitais para o planeamento de catástrofes.

Matthew Chantry, coordenador de aprendizagem automática no ECMWF, acredita que a sua indústria atingiu um ponto de viragem monumental.

“Provavelmente há mais trabalho a ser feito para criar produtos operacionais confiáveis, mas este é provavelmente o início de uma revolução”, disse Chantry em entrevista coletiva.

As organizações meteorológicas, acrescentou, esperavam anteriormente que a IA fosse mais útil quando fundida com a física. Avanços recentes, no entanto, mostram que o aprendizado de máquina também pode prever diretamente o clima.

Como funciona o GraphCast

As previsões meteorológicas convencionais são baseadas em complexas equações físicas. Estes são então adaptados em algoritmos que podem ser executados em supercomputadores.

O processo pode ser trabalhoso. Também requer conhecimento especializado e vastos recursos computacionais.

GraphCast aproveita uma técnica diferente. O modelo combina aprendizado de máquina com redes neurais de grafos (GNNs), uma arquitetura especializada no processamento de dados estruturados espacialmente.

Para saber as causas e efeitos que determinam as mudanças climáticas, o sistema foi treinado emCadeias de informações meteorológicas.

Abordagens tradicionais também são incorporadas. O ECMWF forneceu à Graphcare dados de treinamento de cerca de 40 anos de reanálises meteorológicas, que abrangeram monitoramento de satélites, radares e estações meteorológicas.

Quando há lacunas nessas observações, os métodos tradicionais de previsão baseados na física as preenchem. O resultado é uma história detalhada do clima global. GraphCast usa essas lições do passado para prever o futuro.

O sistema então faz previsões em uma resolução espacial de 0,25 graus de latitude/longitude.

Para colocar isso em perspectiva, imagine a Terra dividida em um milhão de pontos de grade. Em cada ponto, o modelo prevê cinco variáveis ​​da superfície terrestre e seis variáveis ​​atmosféricas. Eles cobrem a superfície global e toda a sua atmosfera em 3D em 37 níveis.

As variáveis ​​​​abrangem temperatura, vento, umidade, precipitações e pressão ao nível do mar. Eles também incorporam o geopotencial – a energia potencial gravitacional de uma unidade de massa, em um local específico, em relação ao nível médio do mar.

Além de velocidade e precisão, o GraphCast é altamente eficiente. Uma previsão de 10 dias leva menos de um minuto para ser concluída em uma única máquina Google TPU v4. Enquanto isso, uma abordagem convencional pode levar horas de computação em um supercomputador com centenas de máquinas.