Google lanza NeuralGMC, un modelo abierto capaz de predecir la meteorología mucho más rápido y eficaz

El cambio climático es una de las mayores amenazas a las que se enfrenta el mundo hoy en día. España es uno de los países que más la sufre, con sucesivas olas de calor que hacen estragos en los ciudadanos. Ya existen propuestas que abogan por usar la inteligencia artificial para combatir la crisis medioambiental, y la última de ellas proviene de Google, que ha desarrollado el modelo climático NeuralGCM.

La división Google Research acaba de publicar un artículo en la prestigiosa revista Nature dando a conocer a NeuralGCM, su nuevo modelo atmosférico de libre acceso que busca aunar las capacidades de la creciente inteligencia artificial con el enfoque más tradicional de los modelos basados en la física. Así, Google promete que este modelo puede simular la atmósfera terrestre con un nivel mayor de precisión y eficacia.

NeuralGCM ha sido desarrollado en conjunto con el Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF por sus siglas en inglés), y promete ser no solo más preciso y accesible que otros modelos similares, sino increíblemente más veloz. Tanto, que según Google es hasta 3.500 veces más rápido que X-SHiELD, un modelo físico de última generación, generando predicciones en tan solo 8 minutos.

NeuralGCM, el modelo atmosférico

Primero, cabe resaltar los problemas inherentes que supone el calentamiento progresivo que está sufriendo el planeta Tierra debido al cambio climático. Es tremendamente difícil saber, por ejemplo, qué partes del planeta se enfrentarán a algunos de los efectos más perniciosos del cambio climático como serían las sequías, las tormentas tropicales, etcétera.

Esta es la base de la creación de los modelos climáticos, ya que si bien es obvio que la Tierra se está calentando, no se sabe cómo afectará este calentamiento a ciertas regiones de la Tierra. NeuralGCM viene a paliar este problema, ya que puede simular la atmósfera terrestre gracias a la modelización tradicional basada en la física (y que sirve de base para otros muchos modelos) y al poder de las redes neuronales.

La arquitectura principal de NeuralGCM

La idea detrás de esta unión es que NeuralGCM pueda constituirse como un modelo climático más preciso y eficiente, para poder generar previsiones meteorológicas de 2 a 15 días bastante más precisas que las que arrojan modelos tradicionales. También es capaz de reproducir, por ejemplo, temperaturas en períodos comprendidos durante los últimos 40 años, con una precisión superior. Todo ello, por cierto, sin haber incorporado este modelo a un modelo climático completo.

El gran problema, a ojos de Google, es que los modelos climáticos tradicionales basados en física son propensos a tener errores y sesgos bastante serios, "debido a la comprensión incompleta de los científicos de cómo funciona el clima de la Tierra y cómo se construyen los modelos", dice la firma. 

Comparación de precisión entre NeuralGCM y otros modelos. Google Research Omicrono

Los modelos tradicionales dividen el globo en cubos, que pueden ir de 50 a 100 kilómetros y que van desde la superficie hasta la atmósfera. Realizan predicciones sobre los cambios de clima que sufren estos cubos calculando el movimiento del aire y la humedad usando las leyes de la física más elementales. El problema está en la escala, según Google Research.

Muchos de los procesos climáticos más importantes que sufren estos cubos varían en escalas mucho más pequeñas que las dimensiones del cubo que se usan en los modelos. Esto, en palabras de Google Research, impide calcular estos procesos climáticos en función de la física. A esto hay que sumarle la falta de comprensión física completa sobre algunos de estos procesos, como la formación de las nubes.

NeuralGCM, aunque divide la atmósfera de la Tierra también en cubos, hace sus cálculos sobre la física de estos procesos a gran escala, como el movimiento del aire y la humedad. "En lugar de depender de parametrizaciones formuladas por científicos para simular aspectos a gran escala, como la formación de nubes, utiliza una red neuronal para aprender la física de esos eventos a partir de datos meteorológicos existentes", explican desde Google.

El modelo combina un solucionador de dinámica de fluidos tradicional con una red neuronal para física a pequeña escala. Se combinan mediante "un solucionador de ecuaciones diferenciales", que permite avanzar el sistema secuencialmente en el tiempo. Al menos sobre el papel, NeuralGCM no solo iguala el rendimiento de los modelos de última generación actuales basados en física, sino que en ciertos casos, llega a superarlos.

Poder de computación de simulaciones de tiempo de NeuralGCM. Google Research Omicrono

Para muestra, un botón. El modelo determinista de NEuralGCM, con una resolución de 0,7º, iguala el rendimiento de los modelos de última generación actuales en cuanto a precisión de pronósticos meteorológicos de hasta 5 días. El modelo de conjunto de NeuralGCM, por otro lado, con una resolución de 1,4º también supera a estos modelos, pero en la precisión de pronósticos de entre 5 y 15 días.

NeuralGCM posee una capacidad de producir pronósticos meteorológicos de conjunto que rivalizan directamente con los que produce el modelo ECMWF-ENS, el modelo basado en física del ECMWF; de hecho, NeuralGCM es el primer basado en ML publicado que consigue esto. "La precisión del conjunto de NeuralGCM es mejor que la del ECMFW-ENS del tiempo para pronósticos de 2 a 15 días", dice Google.

Lo mismo ocurre en las predicciones sobre escalas temporales climáticas. NeuralGCM tan solo modela el componente atmosférico del clima en la Tierra (es decir, que solo simula la atmósfera de la Tierra), por lo que Google comparó el desempeño de este modelo con los basados en física que únicamente tenían en cuenta la atmósfera, haciendo predicciones sobre las temperaturas en un período de 40 años entre 1980 y 2020.

En este caso, NeuralGCM volvió a imponerse. "El error promedio del modelo determinista de 2,8º de NeuralGCM fue un tercio del de los modelos que solo tienen en cuenta la atmósfera integrados en el Proyecto de Intercomparación de Modelos Climáticos (AMIP): 0,25 frente a 0,75 grados", expone Google en su comunicado.

Planeta Tierra.

Hasta pudo con X-SHiELD, un prototipo de modelo atmosférico del Sistema de Pronóstico Unificado (UFS) de mayor resolución. Ya que los modelos atmosféricos cuentan con ciertos problemas a la hora de simular aspectos concretos de la atmósfera, los científicos deben recurrir a modelos como X-SHiELD, que son más precisos pero más costosos a nivel de recursos desde una perspectiva computacional.

El modelo determinista de NeuralGCM consiguió entre un 15 y un 50% menos de error a la hora de predecir los datos de humedad y temperatura del año 2020, "el único año de datos proporcionado por los investigadores de la Administración Nacional Oceánica y Atmosférica (NOAA). El modelo pudo incluso predecir patrones de ciclones tropicales que coincidían con el número y la intensidad de las tormentas observadas en las mismas áreas ese año", según Google.

Abierto y accesible

Google asegura que NeuralGCM se ha entrenado con datos del reanálisis ERA5, un conjunto de datos de libre acceso que cuenta con una reconstrucción tridimensional bastante profunda de la atmósfera terrestre de los últimos 80 años, elaborado precisamente por el ECMWF. La firma ha abierto el modelo, permitiendo que los usuarios puedan usarlo a través de GitHub.

Captura de un mapa con una ola de calor reciente en España. Omicrono Omicrono

De esta forma, Google espera que los investigadores puedan empezar a trabajar con el modelo y basar sus resultados en él. Además, los recursos respecto a computacional que requiere NeuralGCM son bastante más escasos; mientras que X-SHiELD requiere superordenadores con 13.000 CPUs, NeuralGCM puede funcionar en una única unidad de procesamiento tensorial o TPU.

Los datos son demoledores. En palabras de Google, si los investigadores simularan la atmósfera terrestre durante un año usando únicamente X-SHiELD, tardarían unos 20 días en recibir resultados. NeuralGCM reduciría ese lapso de tiempo a 8 minutos. 

En esencia, las simulaciones climáticas llevadas a cabo con el modelo de Google son "100.000 veces menos costosas computacionalmente que con X-SHiELD, una mejora en la velocidad equivalente a 25 años de progreso en computación de alto rendimiento", dice Google.

Lo más llamativo es que el modelo es totalmente accesible para su uso no comercial, siendo gratuito para todos los usuarios. De hecho, el ECMWF ya se ha mostrado interesada en NeuralGCM para que este pueda usarse dentro del conjunto experimental de modelos de IA de la entidad.

Google tiene la esperanza de que en el futuro se puedan incluir dentro de NeuralGCM otros aspectos del sistema climático actual de la Tierra, ya que de nuevo, este solo modela la atmósfera terrestre. Algunos ejemplos que pone Google implican los océanos y el propio ciclo del carbono.