Estás leyendo la publicación: DeepMind y Google presentan GraphCast: un simulador meteorológico de aprendizaje automático rápido y escalable
Las personas toman en cuenta el clima pronosticado en todos los aspectos de sus vidas, desde elegir un atuendo hasta qué hacer en caso de un huracán. La previsión en un marco de tiempo que suele ser de tres a siete días se denomina previsión a medio plazo. Varios sectores, como la agricultura, la construcción, los viajes, etc., se basan en las previsiones meteorológicas de “medio plazo” para tomar decisiones, que se ofrecen hasta cuatro veces al día por las oficinas meteorológicas como el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF) .
Hay dos partes principales en los pronósticos meteorológicos a mediano plazo, ambas simuladas utilizando clústeres masivos de computación de alto rendimiento (HPC). La primera parte es la “asimilación de datos”, que es el método de pronosticar las condiciones climáticas mediante el análisis de datos actuales e históricos recopilados por satélites, estaciones meteorológicas, barcos, etc. La segunda es un modelo que pronostica cómo cambiarán las variables relacionadas con el clima con el tiempo. ; estos modelos se construyen típicamente utilizando la predicción meteorológica numérica (NWP).
Sin embargo, los modelos de pronóstico tradicionales basados en NWP, que dependen de clústeres computacionales para ejecutar simulaciones, no pueden escalar de manera eficiente debido a la cantidad cada vez mayor de datos meteorológicos. Su precisión depende de la aportación de tiempo y recursos de los especialistas humanos.
El nuevo estudio de DeepMind y Google presenta GraphCast, un simulador meteorológico basado en aprendizaje automático (ML) que se escala bien con los datos y puede crear una predicción de 10 días en menos de 60 segundos. En comparación con los puntos de referencia basados en ML de última generación y el sistema de pronóstico del tiempo de medio alcance operativo determinista más preciso del mundo, GraphCast se destaca.
Como se mencionó en su artículo “GraphCast: Learning Skillful Medium-Range Global Weather Forecasting”, GraphCast utiliza redes neuronales gráficas (GNN) en un arreglo de “codificación-proceso-decodificación” para crear un modelo autorregresivo. Según los investigadores, aprender la intrincada física de los fluidos y otros materiales es ideal para los diseños basados en GNN. Además, las estructuras de los gráficos de entrada se pueden utilizar para simular cualquier patrón de interacción espacial, ya que las estructuras de los gráficos de entrada determinan las interacciones entre las partes de una representación. El equipo aprovecha esta capacidad de GNN mediante el desarrollo de una novedosa técnica de representación de malla múltiple interna, que permite interacciones de largo alcance con una sobrecarga mínima de paso de mensajes.
El proceso de simulación de tres etapas en GraphCast es el siguiente:
- La GNN con bordes dirigidos desde los puntos de la cuadrícula hasta la malla múltiple se usa para mapear los datos de entrada de la cuadrícula original de latitud y longitud a las características aprendidas en la malla múltiple.
- Se utiliza un GNN profundo para realizar el paso de mensajes aprendidos en la malla múltiple, donde los bordes de largo alcance permiten que la información se propague de manera eficiente a través del espacio.
- El decodificador mapea la representación final de malla múltiple de vuelta a la cuadrícula de latitud y longitud y realiza lo que sea necesario.
El equipo probó GraphCast en un solo dispositivo Cloud TPU v4. Sus hallazgos muestran que GraphCast puede producir un pronóstico de 10 días con una resolución de 0,25° en menos de 60 segundos. El rendimiento de GraphCast supera al sistema de pronóstico operativo determinista basado en PNT de alta resolución (HRES) del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo en el 90 % de las 2760 variables. También supera al modelo de pronóstico del tiempo basado en ML existente más preciso en el 99,2 % de los 252 objetivos.
Este estudio avanza en el uso de simulaciones basadas en ML en otras áreas de las ciencias físicas. El equipo cree que su trabajo abrirá nuevas posibilidades para un pronóstico del tiempo rápido y preciso.
