Modelos climáticos e de clima baseados em IA estão prontos para mudar o futuro da previsão, dizem pesquisadores

Um novo sistema para previsão do tempo e clima futuro usa inteligência artificial (IA) para alcançar resultados comparáveis ​​aos melhores modelos existentes, usando muito menos poder computacional, de acordo com seus criadores.

Em um artigo publicado em Naturezauma equipe de pesquisadores do Google, MIT, Harvard e do Centro Europeu de Previsões Meteorológicas de Médio Prazo afirma que seu modelo oferece enormes “economias computacionais” e pode “melhorar as simulações físicas em larga escala que são essenciais para entender e prever o sistema terrestre”.

O modelo NeuralGCM é o mais recente de um fluxo constante de modelos de pesquisa que usam avanços em aprendizado de máquina para tornar as previsões climáticas e meteorológicas mais rápidas e baratas.

O que é NeuralGCM?

O modelo NeuralGCM visa combinar os melhores recursos dos modelos tradicionais com uma abordagem de aprendizado de máquina.

Em sua essência, o NeuralGCM é o que chamamos de “modelo de circulação geral”. Ele contém uma descrição matemática do estado físico da atmosfera da Terra e resolve equações complicadas para prever o que acontecerá no futuro.

No entanto, o NeuralGCM também usa aprendizado de máquina — um processo de busca de padrões e regularidades em vastos tesouros de dados — para alguns processos físicos menos compreendidos, como a formação de nuvens. A abordagem híbrida garante que a saída dos módulos de aprendizado de máquina será consistente com as leis da física.

O modelo resultante pode então ser usado para fazer previsões climáticas com dias e semanas de antecedência, além de prever meses e anos à frente.

Os pesquisadores compararam o NeuralGCM com outros modelos usando um conjunto padronizado de testes de previsão chamado WeatherBench 2. Para previsões de três e cinco dias, o NeuralGCM teve um desempenho tão bom quanto outros modelos climáticos de aprendizado de máquina, como Pangu e GraphCast. Para previsões de longo alcance, de dez e 15 dias, o NeuralGCM foi tão preciso quanto os melhores modelos tradicionais existentes.

O NeuralGCM também teve bastante sucesso na previsão de fenômenos climáticos menos comuns, como ciclones tropicais e rios atmosféricos.

Por que aprendizado de máquina?

Modelos de machine learning são baseados em algoritmos que aprendem padrões nos dados com os quais são alimentados e, então, usam esse aprendizado para fazer previsões. Como os sistemas climáticos e meteorológicos são altamente complexos, os modelos de machine learning exigem grandes quantidades de observações históricas e dados de satélite para treinamento.

O processo de treinamento é muito caro e requer muito poder de computação. No entanto, depois que um modelo é treinado, usá-lo para fazer previsões é rápido e barato. Esta é uma grande parte do seu apelo para a previsão do tempo.

O alto custo de treinamento e o baixo custo de uso são semelhantes a outros tipos de modelos de machine learning. O GPT-4, por exemplo, supostamente levou vários meses para treinar a um custo de mais de US$ 100 milhões, mas pode responder a uma consulta em instantes.

Uma fraqueza dos modelos de machine learning é que eles frequentemente têm dificuldades em situações desconhecidas — ou, neste caso, condições climáticas extremas ou sem precedentes. Para fazer isso, um modelo precisa ser capaz de generalizar ou extrapolar além dos dados em que foi treinado.

O NeuralGCM parece ser melhor nisso do que outros modelos de machine learning, porque seu núcleo baseado em física fornece alguma base na realidade. À medida que o clima da Terra muda, condições climáticas sem precedentes se tornarão mais comuns, e não sabemos o quão bem os modelos de machine learning acompanharão.

Ninguém está realmente usando modelos climáticos baseados em aprendizado de máquina para previsões do dia a dia ainda. No entanto, é uma área de pesquisa muito ativa — e de uma forma ou de outra, podemos estar confiantes de que as previsões do futuro envolverão aprendizado de máquina.

Este artigo foi republicado do The Conversation sob uma licença Creative Commons. Leia o artigo original.