Novo modelo de IA pode fornecer previsões de alta precisão até mesmo a partir de dados de baixa resolução

Ser capaz de criar modelos climáticos precisos para previsão do tempo é essencial para todos os aspectos da economia americana, da aviação ao transporte marítimo. Até o momento, os modelos climáticos têm sido baseados principalmente em equações relacionadas à termodinâmica e à dinâmica de fluidos na atmosfera. Esses modelos são tremendamente caros computacionalmente e normalmente são executados em grandes supercomputadores.

Pesquisadores de empresas do setor privado como Nvidia e Google começaram a desenvolver grandes modelos de inteligência artificial (IA), conhecidos como modelos de fundação, para previsão do tempo. Recentemente, cientistas do Argonne National Laboratory do Departamento de Energia dos EUA (DOE), em estreita colaboração com os pesquisadores Aditya Grover e Tung Nguyen da Universidade da Califórnia, Los Angeles, começaram a investigar esse tipo alternativo de modelo. Esse modelo poderia produzir, em alguns casos, previsões ainda mais precisas do que os modelos numéricos de previsão do tempo existentes a uma fração do custo computacional.

Alguns desses modelos superam a capacidade de previsão dos modelos atuais além de sete dias, dando aos cientistas uma janela adicional para o clima.

Os modelos de fundação são construídos com base no uso de “tokens”, que são pequenos pedaços de informação que um algoritmo de IA usa para aprender a física que controla o clima. Muitos modelos de fundação são usados ​​para processamento de linguagem natural, o que significa lidar com palavras e frases.

Para esses grandes modelos de linguagem, esses tokens são palavras ou pedaços de linguagem que o modelo prevê em sequência. Para esse novo modelo de previsão do tempo, os tokens são, em vez disso, imagens — trechos de gráficos representando coisas como umidade, temperatura e velocidade do vento em vários níveis da atmosfera.

“Em vez de se interessar por uma sequência de texto, você está olhando para dados espaço-temporais, que são representados em imagens”, disse o cientista da computação da Argonne, Sandeep Madireddy. “Ao usar esses patches de imagens no modelo, você tem alguma noção de suas posições relativas e como elas interagem por causa de como são tokenizadas.”

A equipe científica pode usar dados de resolução bastante baixa e ainda assim fazer previsões precisas, disse o cientista atmosférico de Argonne, Rao Kotamarthi.

“A filosofia da previsão do tempo tem sido, por anos, obter resoluções mais altas para melhores previsões. Isso ocorre porque você consegue resolver a física com mais precisão, mas é claro que isso tem um grande custo computacional”, disse ele. “Mas estamos descobrindo agora que somos realmente capazes de obter resultados comparáveis ​​aos modelos de alta resolução existentes, mesmo em resolução grosseira, com o método que estamos usando.”

Embora a previsão meteorológica confiável de curto prazo pareça ser uma meta alcançável em curto prazo com IA, tentar usar a mesma abordagem para modelagem climática, que envolve a análise do clima ao longo do tempo, apresenta um desafio adicional.

“Em teoria, modelos de fundação também poderiam ser usados ​​para modelagem climática. No entanto, há mais incentivos para o setor privado buscar novas abordagens para previsão do tempo do que para modelagem climática”, disse Kotamarthi.

“O trabalho em modelos básicos para modelagem climática provavelmente continuará sendo de responsabilidade dos laboratórios e universidades nacionais dedicados a buscar soluções no interesse público geral.”

Um dos motivos pelos quais a modelagem climática é tão difícil é que o clima está mudando em tempo real, disse o cientista ambiental de Argonne, Troy Arcomano.

“Com o clima, passamos do que era um estado amplamente estacionário para um estado não estacionário. Isso significa que todas as nossas estatísticas do clima estão mudando com o tempo devido ao carbono adicional na atmosfera. Esse carbono também está mudando o orçamento de energia da Terra”, disse ele. “É complicado descobrir numericamente e ainda estamos procurando maneiras de usar IA.”

A introdução do novo supercomputador exascale da Argonne, Aurora, ajudará os pesquisadores a treinar um modelo muito grande baseado em IA que funcionará em resoluções muito altas. “Precisamos de uma máquina exascale para realmente sermos capazes de capturar um modelo de granulação fina com IA”, disse Kotamarthi.

Um artigo baseado no estudo recebeu o prêmio de Melhor Artigo no workshop “Enfrentando as Mudanças Climáticas com Aprendizado de Máquina”. O workshop foi realizado em 10 de maio em Viena, Áustria, em conjunto com a Conferência Internacional sobre Representação de Aprendizagem de 2024.