CARGA

Escribe para buscar

El equipo de investigación de Google publica un artículo innovador sobre modelos de circulación general neuronal de la naturaleza

El equipo de investigación de Google publica un artículo innovador sobre modelos de circulación general neuronal de la naturaleza

Modelos de circulación general neuronal
Escucha esta historia:
  • Los modelos de circulación general neuronal ofrecen predicciones meteorológicas y climáticas precisas, superando los GCM tradicionales y los modelos de aprendizaje automático.
  • Logra importantes ahorros computacionales, funcionando a resoluciones más generales y manteniendo una alta precisión.
  • Demuestra un comportamiento climático realista a largo plazo, incluido el seguimiento de ciclones tropicales y ciclos estacionales.

El equipo de investigación de Google ha presentado los modelos de circulación general neuronal, un revolucionario modelo híbrido de circulación general (GCM) que combina métodos tradicionales basados ​​en la física con componentes avanzados de aprendizaje automático. Publicado en Nature, este artículo innovador muestra la capacidad de NeuralGCM para mejorar la precisión de la predicción meteorológica y climática, superando tanto a los GCM convencionales como a los modelos independientes de aprendizaje automático.

Los modelos de circulación general (MCG) han sido la piedra angular de la predicción meteorológica y climática durante décadas, y se han perfeccionado continuamente con mejores métodos numéricos y una potencia computacional más rápida. A pesar de estas mejoras, los MCG aún enfrentan sesgos y errores persistentes. Los modelos de circulación general neuronal abordan estas limitaciones mediante la integración de un solucionador diferenciable de la dinámica atmosférica con módulos de aprendizaje automático, lo que ofrece pronósticos meteorológicos precisos durante 1 a 15 días y predicciones climáticas realistas durante décadas.

Una ventaja significativa de los modelos de circulación general neuronal es su eficiencia computacional. Al operar con resoluciones de ocho a cuarenta veces más bastas que los modelos más modernos, logra ahorros computacionales sustanciales. Esta eficiencia facilita la predicción de conjuntos extensos, una tarea que antes no era práctica debido a limitaciones computacionales.

Los modelos de circulación general neuronal destacan en la simulación de diversos fenómenos climáticos, desde ciclones tropicales hasta ciclos estacionales. Por ejemplo, rastrea con éxito las trayectorias y frecuencias de los ciclones tropicales, una capacidad fundamental para la modelización climática a largo plazo. El modelo también captura la variabilidad estacional de la temperatura media global, alineándose estrechamente con los datos históricos de ERA5.

El rendimiento de los modelos neuronales de circulación general se comparó con modelos meteorológicos líderes como ECMWF-HRES y modelos de aprendizaje automático como GraphCast. La evaluación demostró que los modelos de circulación general neuronal no solo igualaban sino que a menudo superaban la precisión de estos modelos en el pronóstico del tiempo a mediano plazo. Durante el huracán Laura, por ejemplo, los pronósticos de NeuralGCM fueron menos borrosos y más consistentes físicamente que los de los modelos de aprendizaje automático puro.

Dmitri Kochkov dijo: "La integración del aprendizaje automático de NeuralGCM con métodos tradicionales basados ​​en la física marca un salto significativo en la precisión y eficiencia del pronóstico meteorológico y climático."

Jamie Smith añadido, "Nuestros resultados muestran que NeuralGCM puede lograr simulaciones climáticas realistas a largo plazo, un paso esencial para comprender y predecir el sistema terrestre."

Artículos relacionados: AWS, Google, Meta, Microsoft y otros piden que los proveedores tomen medidas para descarbonizar la infraestructura digital a través de las EPD

La arquitectura flexible de NeuralGCM permite la incorporación de métodos numéricos y técnicas de aprendizaje automático más avanzados. Los desarrollos futuros podrían incluir el acoplamiento con otros componentes del sistema terrestre y la mejora de los procesos de asimilación de datos para una precisión de predicción aún mayor. Este enfoque híbrido promete revolucionar la simulación en diversos dominios científicos, desde el descubrimiento de materiales hasta el diseño de ingeniería multifísica.

La publicación de “Modelos neuronales de circulación general para el tiempo y el clima”in Nature marca un paso transformador en la ciencia meteorológica y climática, fusionando las fortalezas del aprendizaje automático con modelos tradicionales basados ​​en la física para proporcionar pronósticos precisos, eficientes y realistas.

Artículos Relacionados