A IA está superando nossa melhor tecnologia de previsão do tempo, graças ao DeepMind
A Inteligência Artificial está se destacando em relação à nossa tecnologia atual de previsão do tempo, graças ao DeepMind
Os dados de uma simulação multidécadas, chamada ERA5, são alimentados na rede de gráficos GraphCast como um conjunto de medições em um ponto específico. Ao percorrer o gráfico, o GraphCast prevê a próxima medição para esse ponto e para seus vizinhos.
Os climatologistas gastaram décadas acumulando dados sobre como o clima mudou em pontos ao redor do mundo. Esforços como o ERA5, um registro do clima desde 1950, desenvolvido pelo European Centre for Medium-Range Weather Forecasts (ECMWF), são uma espécie de simulação da terra ao longo do tempo, um registro da velocidade do vento, temperatura, pressão do ar e outras variáveis, hora por hora.
O DeepMind do Google está anunciando esta semana o que eles chamam de ponto de virada no uso de todos esses dados para fazer previsões baratas do tempo. Executando em um único chip de IA, o Tensor Processing Unit (TPU) do Google, os cientistas da DeepMind conseguiram executar um programa que pode prever as condições climáticas com mais precisão do que um modelo tradicional executado em um supercomputador.
Também: Menos é muito mais quando se trata de IA, diz o DeepMind do Google
O artigo da DeepMind está publicado na próxima edição da revista acadêmica Science, acompanhado por um artigo adicional que compara o artigo a uma parte de uma “revolução” na previsão do tempo.
- 4 Melhores Ofertas de iPad na Black Friday
- Estes fones de ouvido de tradução estão agora por apenas 90 dólares
- Promoção de Black Friday da Samsung traz grandes descontos em TVs, ...
Vale ressaltar que o GraphCast, como o programa é chamado, não é uma substituição para modelos tradicionais de previsão, de acordo com o autor principal Remi Lam e colegas da DeepMind. Em vez disso, eles o veem como um “complemento” potencial aos métodos existentes. Na verdade, a única razão pela qual o GraphCast é possível é porque cientistas climáticos humanos construíram os algoritmos existentes que foram usados para “reanalisar”, ou seja, retroceder no tempo e compilar os enormes dados diários do ERA5. Sem esse esforço preciso para criar um modelo mundial do clima, não haveria GraphCast.
O desafio que Lam e sua equipe enfrentaram foi pegar alguns registros climáticos do ERA5 e ver se seu programa, o GraphCast, poderia prever alguns registros não vistos melhor do que o padrão ouro para previsão do tempo, um sistema chamado HRES, também desenvolvido pelo ECMWF.
O HRES, que significa Previsão de Alta Resolução, prevê o tempo para os próximos 10 dias em todo o mundo, usando uma hora de trabalho, em uma área de cerca de 10 quilômetros quadrados. O HRES é possível graças a modelos matemáticos desenvolvidos ao longo de décadas por pesquisadores. O HRES é “melhorado por especialistas altamente treinados” que – embora valiosos – “podem ser um processo demorado e custoso”, escreve Lam e sua equipe, e o que vem com o custo de supercomputadores de vários milhões de dólares.
Também: Por que a visualização de IA da DeepMind é completamente inútil
A questão é se uma forma de IA de aprendizado profundo poderia igualar aquele modelo criado por cientistas humanos com um modelo gerado automaticamente.
O GraphCast leva dados climáticos como temperatura e pressão do ar e os representa como um único ponto para uma área quadrada no globo. Esse ponto individual está ligado às condições climáticas das áreas vizinhas por meio do que são chamados de “arestas”. Pense no grafo social do Facebook, onde cada pessoa é um ponto e eles são ligados a amigos por uma linha. A atmosfera da Terra se torna uma massa de pontos, cada área quadrada, ligada por linhas que representam como o clima de cada área está relacionado à área vizinha.
Isso é o “gráfico” no GraphCast. Tecnicamente, é uma área estabelecida de IA de aprendizado profundo chamada rede neural gráfica. Uma rede neural é treinada para identificar como os pontos e linhas se relacionam e como essas relações podem mudar ao longo do tempo.
Armados com a rede neural GraphCast, Lam e sua equipe inseriram dados do ERA5 de 39 anos sobre pressão atmosférica, temperatura, velocidade do vento, etc., e mediram o quão bem ela previa o que aconteceria a seguir ao longo de um período de 10 dias em comparação com os programas HRES.
Também: Substituí meu aplicativo de previsão do tempo por esta estação de previsão de US $ 340. Aqui está o motivo.
Leva um mês, com 32 chips TPU trabalhando em conjunto, para treinar o GraphCast com os dados do ERA5; esse é o processo de treinamento em que a rede neural tem seus parâmetros – ou “pesos” neurais – ajustados para o ponto em que eles podem fazer previsões confiáveis. Em seguida, um grupo de dados do ERA5 que foi separado – os dados “reservados”, como são conhecidos – é inserido no programa para ver se o GraphCast treinado consegue prever, a partir dos pontos de dados, como esses pontos irão mudar ao longo de dez dias – efetivamente prevendo o tempo dentro desses dados simulados.
“O GraphCast supera significativamente” o HRES em 90% das tarefas de previsão, observam os autores. O GraphCast consegue ser melhor do que o HRES na previsão do formato de desenvolvimentos extremos de calor e frio. Eles notam que o HRES se sai melhor com previsões relacionadas à estratosfera, em comparação com mudanças de superfície no clima.
É importante perceber que o GraphCast não está prevendo ativamente o clima em produção. Ele fez um bom trabalho em um experimento controlado com dados climáticos previamente conhecidos, e não com dados ao vivo.
Uma limitação intrigante do GraphCast é que ele se confunde quando vai além de um período de 10 dias, observa Lam e sua equipe. Como eles escrevem, “há uma incerteza crescente em prazos mais longos”. O GraphCast fica “confuso” quando as coisas ficam mais incertas. Isso sugere que eles precisam fazer alterações no GraphCast para lidar com a maior incerteza de períodos de tempo mais longos, provavelmente criando um “conjunto” de previsões que se sobrepõem. “Construir previsões probabilísticas que modelam a incerteza de forma mais explícita … é um próximo passo crucial”, escrevem Lam e sua equipe.
Curiosamente, a DeepMind tem grandes ambições para o GraphCast. Não apenas o GraphCast é apenas um dos modelos climáticos que eles esperam desenvolver, mas também faz parte de um interesse mais amplo em simulação. O programa opera com dados globais que simulam o que acontece ao longo do tempo. Lam e sua equipe sugerem que outros fenômenos podem ser mapeados e previstos dessa maneira, não apenas o clima.
“O GraphCast pode abrir novas direções para outros problemas importantes de previsão geo-espaciotemporal”, escrevem eles, “incluindo clima e ecologia, energia, agricultura, atividades humanas e biológicas, assim como outros sistemas dinâmicos complexos.
“Acreditamos que simuladores aprendidos treinados em dados amplos do mundo real serão cruciais para avançar o papel da aprendizagem de máquina nas ciências físicas.”
