noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Nuevo informe de sabiduría

Editor: Departamento Editorial

[Introducción a la Nueva Sabiduría] Google ha propuesto un nuevo modelo de circulación atmosférica basado en ML, NeuralGCM, que ahorra varios órdenes de magnitud de cálculos en comparación con los modelos tradicionales basados ​​en la física y reduce los costos computacionales en 100.000 veces, lo que equivale a 25 años de progreso en el campo de la alta tecnología. computación de rendimiento. Para pronósticos meteorológicos de 2 a 15 días, este método es más preciso que el modelo físico SOTA.

Esta mañana temprano, el director ejecutivo de Google, Pichai, publicó una publicación en X, anunciando que NeuralGCM ha logrado un gran avance en el campo del modelado climático.

"NeuralGCM combina modelos basados ​​en la física con inteligencia artificial para simular la atmósfera 100.000 veces más eficientemente que otros modelos, proporcionando a los científicos nuevas herramientas para predecir el cambio climático".

El resultado de esta investigación también se publicó en Nature. La mayor parte del equipo de investigación proviene de Google Research y DeepMind, así como de científicos del MIT, Harvard y ECMWF.

Dirección del artículo: https://www.nature.com/articles/s41586-024-07744-y

El modelo desarrollado por Google, llamado NeuralGCM, puede simular de forma rápida, eficiente y precisa la atmósfera terrestre.

Su importancia es ayudar a los científicos a hacer predicciones precisas sobre el clima de la Tierra en un momento en que la Tierra se está calentando a un ritmo sin precedentes.

¿Qué áreas enfrentarán sequías prolongadas a medida que aumenten las temperaturas globales? ¿Dónde serán más frecuentes las inundaciones costeras provocadas por grandes tormentas tropicales? ¿Cómo cambiará la temporada de incendios forestales a medida que aumenten las temperaturas?

Frente a estos problemas urgentes que deben resolverse, el modelo tradicional de circulación general (GCM) basado en la física parece algo exagerado y carece de suficiente estabilidad cuando se enfrenta a simulaciones meteorológicas y climáticas a largo plazo.

NeuralGCM es un método basado en aprendizaje automático que combina el modelado físico tradicional para mejorar en gran medida la precisión y eficiencia de la simulación.

Este enfoque genera pronósticos meteorológicos de 2 a 15 días que son más precisos que los modelos físicos de última generación actuales y reproducen las temperaturas de los últimos 40 años con mayor precisión que los modelos atmosféricos tradicionales.

Marca un paso importante hacia el desarrollo de modelos climáticos más potentes y más fáciles de usar.

NeuralGCM simuló el patrón de cambio de humedad específico del 26 de diciembre de 2019 al 8 de enero de 2020

NeuralGCM transforma el modelado climático

Aunque los modelos climáticos tradicionales han mejorado en las últimas décadas, a menudo adolecen de errores y sesgos debido a la comprensión incompleta de los científicos sobre cómo funciona el clima de la Tierra y cómo se construyen los modelos.

Estos modelos dividen el espacio desde la superficie hasta la atmósfera en cubos con lados de 50 a 100 kilómetros y luego predicen los cambios climáticos en cada cubo durante un período de tiempo.

A continuación, el modelo calcula el movimiento del aire y la humedad basándose en leyes físicas generalmente aceptadas, que son la base para la predicción meteorológica.

Pero el problema es que la escala de 50 a 100 kilómetros es realmente demasiado grande.

Muchos procesos climáticos importantes, incluidas las nubes y las precipitaciones, varían en escalas más pequeñas que los tamaños de cubo utilizados en los modelos actuales (de milímetros a kilómetros).

Además, la comprensión física de algunos procesos, como la formación de nubes, por parte de los científicos es incompleta.

Como resultado, estos modelos tradicionales se basan no sólo en principios fundamentales sino que también utilizan modelos simplificados para generar aproximaciones llamadas "parametrizaciones" para simular procesos a pequeña escala y poco comprendidos.

Estas aproximaciones simplificadas reducen inevitablemente la precisión de los modelos climáticos basados ​​físicamente.

Entonces, ¿cómo resuelve NeuralGCM este problema?

Al igual que los modelos tradicionales, NeuralGCM todavía divide la atmósfera terrestre en cubos y calcula la física de procesos a gran escala como el movimiento del aire y el agua.

La diferencia es que NeuralGCM ya no se basa en aproximaciones "paramétricas" desarrolladas por científicos para simular cambios climáticos a pequeña escala, sino que utiliza redes neuronales para aprender los principios físicos de estos eventos a partir de datos meteorológicos existentes.

Una innovación clave de NeuralGCM es que el solucionador numérico para procesos a gran escala se ha reescrito desde cero en JAX.

Esto permite a los investigadores utilizar la optimización basada en gradientes para ajustar el comportamiento "en línea" de los sistemas acoplados en múltiples pasos de tiempo.

Por el contrario, los esfuerzos anteriores para utilizar el aprendizaje automático para mejorar los modelos climáticos han encontrado dificultades significativas con la estabilidad numérica porque utilizan entrenamiento "fuera de línea" que ignora las diferencias entre procesos de pequeña y gran escala que se acumulan con el tiempo.

Otro beneficio de escribir el modelo completo en JAX es que se ejecuta eficientemente en TPU y GPU, mientras que los modelos climáticos tradicionales se ejecutan principalmente en CPU.

NeuralGCM combina solucionadores de dinámica de fluidos tradicionales y redes neuronales para física a pequeña escala. Estos componentes se combinan a través de un solucionador de ecuaciones diferenciales para hacer avanzar el sistema cronológicamente.

El equipo de Google utilizó datos meteorológicos del ECMWF de 1979 a 2019 para entrenar una serie de modelos NeuralGCM con resoluciones de 0,7°, 1,4° y 2,8°.

Aunque NeuralGCM se entrena en función de datos de pronóstico del tiempo, el equipo diseñó NeuralGCM como un modelo atmosférico general.

Previsiones meteorológicas y predicciones climáticas precisas.

Los modelos recientes de aprendizaje automático (ML) de la atmósfera terrestre, incluido GraphCast de Google DeepMind, han demostrado una precisión revolucionaria en las predicciones meteorológicas.

Hasta la fecha, la investigación sobre predicciones ML se ha centrado principalmente en predicciones a corto plazo, lo que está lejos de los años o décadas necesarios para las predicciones climáticas.

Dado que las predicciones climáticas de varias décadas son difíciles de verificar de manera confiable, el equipo de Google evaluó el desempeño de NeuralGCM en predicciones a escala climática y como modelo meteorológico utilizando el punto de referencia establecido WeatherBench 2.

El modelo determinista de NeuralGCM con una resolución de 0,7° es comparable a los modelos de última generación actuales en términos de precisión del pronóstico del tiempo, y la precisión del pronóstico del tiempo puede alcanzar los 5 días.

Sin embargo, los modelos deterministas carecen de la incertidumbre cuantitativa necesaria para realizar pronósticos útiles en plazos prolongados.

Los conjuntos de pronóstico se generan a partir de condiciones iniciales ligeramente diferentes para producir una variedad de condiciones climáticas igualmente probables. Estos conjuntos producen pronósticos meteorológicos probabilísticos que generalmente son más precisos que los pronósticos deterministas.

El modelo de conjunto de NeuralGCM con una resolución de 1,4° supera al SOTA anterior en términos de precisión de predicción de 5 a 15 días.

Esta mejora del rendimiento se debe al hecho de que NeuralGCM genera predicciones meteorológicas en conjunto, que son comparables al modelo SOTA basado en física ECMWF-ENS del ECMWF.

Entre los modelos de ML publicados, NeuralGCM es el primero en hacer esto.

Los pronósticos conjuntos de NeuralGCM son más precisos que ECMWF-ENS el 95 % de las veces en pronósticos que van de 2 a 15 días.

NeuralGCM también supera a los modelos atmosféricos de última generación en predicciones climáticas a escala de tiempo.

Debido a que NeuralGCM solo simula el componente atmosférico del clima de la Tierra, el equipo de Google comparó su desempeño con modelos atmosféricos basados ​​en la física.

Al predecir temperaturas entre 1980 y 2020, el error promedio del modelo determinista de 2,8° de NeuralGCM es un tercio del error del modelo atmosférico (AMIP), o 0,25 frente a 0,75 grados Celsius.

Comparación del rendimiento de NeuralGCM y AMIP en la predicción de la temperatura media global de 1000 hPa entre 1980 y 2020

Debido a que los modelos atmosféricos tradicionales tienen dificultades para simular ciertos aspectos de la atmósfera terrestre, los científicos del clima a veces utilizan modelos de mayor resolución como X-SHiELD, que, si bien son más precisos, son más costosos desde el punto de vista computacional.

En comparación con X-SHiELD, el modelo determinista de 1,4° de NeuralGCM logró entre un 15 y un 50 % menos de error al predecir los datos de humedad y temperatura de 2020 proporcionados por la Administración Nacional Oceánica y Atmosférica (NOAA).

Durante la simulación climática de 2020, NeuralGCM también predijo patrones de ciclones tropicales que coincidían con el número y la intensidad de las tormentas observadas en la misma región ese año.

NeuralGCM es el primer modelo basado en aprendizaje automático capaz de generar dichos patrones.

NeuralGCM predice las trayectorias de los ciclones tropicales a nivel mundial en 2020 (los números e intensidades de tormentas pronosticados coinciden con los números e intensidades reales de los ciclones registrados en el conjunto de datos de reanálisis v5 (ERA5) del ECMWF)

Abierto, rápido y eficiente

NeuralGCM es mucho más rápido en velocidad computacional y costo que los modelos climáticos tradicionales basados ​​en la física.

Su modelo de 1,4° es más de 3.500 veces más rápido que X-SHiELD, lo que significa que si los investigadores simularan la atmósfera de un año con X-SHiELD, tardarían 20 días, en comparación con sólo 8 minutos con NeuralGCM.

Además, los científicos solo necesitan una computadora con una única TPU (Unidad de procesamiento tensorial) para ejecutar NeuralGCM, mientras que ejecutar X-SHiELD requiere el uso de una supercomputadora de 13.000 CPU (Unidades centrales de procesamiento).

En general, el coste computacional de la simulación climática utilizando NeuralGCM es 100.000 veces menor que el de X-SHiELD, lo que equivale a 25 años de progreso en informática de alto rendimiento.

NeuralGCM simula la atmósfera más rápido que los modelos físicos de última generación y genera predicciones con la misma precisión.

En este gráfico, NeuralGCM compite con dos modelos físicos NCAR CAM y NOAA X-SHiELD, comparando el número de días de simulación atmosférica que generan en 30 segundos de tiempo de cálculo.

Los tres modelos funcionan con diferentes resoluciones: X-SHiELD tiene la resolución más alta (0,03°), NCAR CAM6 tiene una resolución de 1,0° y NeuralGCM tiene la resolución más baja (1,4°).

Vale la pena mencionar que aunque NeuralGCM se ejecuta a baja resolución, su precisión es comparable a la de los modelos de alta resolución.

Luego, con precisión comparable, se puede ver que NeuralGCM puede generar 22,8 días de simulación atmosférica en 30 segundos, mientras que X-SHiELD, como modelo físico de alta resolución que debe ejecutarse en una supercomputadora, solo puede generarse durante 9 ¡minutos!

Esto también elimina las ventajas de NCAR CAM6, que anteriormente era el favorito de los investigadores debido a su bajo coste computacional.

El equipo de Google ha revelado el código fuente y los pesos del modelo de NeuralGCM en GitHub para uso no comercial. Esperan que otros investigadores puedan agregar fácilmente nuevos componentes para probar hipótesis y mejorar la funcionalidad del modelo.

Además, debido a que NeuralGCM se puede ejecutar en una computadora portátil y no requiere el soporte de una supercomputadora, cada vez más investigadores del clima pueden utilizar este modelo de última generación en su trabajo.

Conclusiones y direcciones futuras.

Actualmente, NeuralGCM solo modela la atmósfera de la Tierra, pero el equipo de Google espera incorporar eventualmente al modelo otros aspectos del sistema climático de la Tierra, como los océanos y el ciclo del carbono.

De esta forma, NeuralGCM podrá realizar predicciones en escalas de tiempo más largas, no sólo prediciendo el tiempo durante días y semanas, sino también en escalas de tiempo climáticas.

En definitiva, NeuralGCM propone una nueva forma de construir modelos climáticos que pueden ser más rápidos, menos costosos desde el punto de vista computacional y más precisos que los modelos existentes.

Referencias:

https://www.nature.com/articles/s41586-024-07744-y

https://research.google/blog/fast-accurate-climate-modeling-with-neuralgcm/

https://x.com/sundarpichai/status/1815512751793721649