Una red neuronal con IA generativa produce resultados de los modelos de cambio climático casi 25 veces más rápido

Investigadores de la Universidad de California en San Diego han utilizado inteligencia artificial para modelar el clima de la Tierra de forma más rápida y compleja que los modelos anteriores en escalas temporales similares. Puede ser un paso clave hacia análisis más prácticos y en tiempo real de nuestro clima en constante cambio.

imagen de un rostro humano hecho de números 0 y 1 y conexiones entre líneas
El aprendizaje profundo es un proceso de aprendizaje automático que utiliza redes neuronales para procesar datos como lo haría un cerebro humano.

Uno de los principales desafíos de la modelización medioambiental es la complejidad. Para la modelización meteorológica, el sistema (la Tierra) es complejo y caótico, por lo que se necesita una potencia informática exorbitante para lograr una modelización precisa. La potencia de procesamiento combinada de todas las supercomputadoras de modelos de previsión meteorológica de Estados Unidos es 10.000 veces más rápida que la de una computadora de escritorio promedio.

Para la modelización climática, los científicos también están abordando la Tierra como un sistema, aunque con una complejidad aún mayor y en escalas de tiempo mucho más largas en el futuro. Esto se traduce en mucho más tiempo necesario para ejecutar modelos informáticos. Más tiempo equivale a más dinero.

La modelización con inteligencia artificial (IA) ya está empezando a revolucionar la modelización de la previsión meteorológica. Los científicos han teorizado que la IA también podría servir como una herramienta invaluable para aumentar la eficiencia y disminuir el costo de la modelización climática. Ahora, los modeladores climáticos de la Universidad de California en San Diego han demostrado esto con un modelo de IA generativa llamado Spherical DYffusion.

Redes neuronales

Las redes neuronales son la clave de Spherical DYffusion. Muchos modelos de IA utilizan el aprendizaje automático a través de redes neuronales como un medio para lograr modelos predictivos. Las redes neuronales se denominan así porque están diseñadas para imitar el cerebro humano, lo que permite procesar datos de una manera similar a la forma en que piensan los humanos. Una red neuronal se compone de muchos nodos diferentes, a menudo distribuidos en diferentes capas, cada una de las cuales puede tener una ponderación diferente.

Los investigadores del clima de la Universidad de California en San Diego utilizaron el Spherical Neural Operator, un tipo establecido de red neuronal diseñada para su aplicación a un conjunto de datos esféricos como la Tierra. Con este diseño, se puede ejecutar una serie de simulaciones a lo largo del tiempo, con capas ponderadas de manera diferente a lo largo de ejecuciones sucesivas. Esto imita más un modelo de pronóstico de tipo conjunto, lo que proporciona mayores cantidades de datos de salida del modelo para analizar.

Ventajas de un modelado mejorado

Una ventaja principal de este modelo sobre otros es la velocidad. Los investigadores notaron que su método proporciona resultados 25 veces más rápido que los modelos climáticos más tradicionales en escalas de tiempo similares. Esto podría transformar nuestra comprensión de cómo está cambiando el clima en una escala de tiempo mucho más realista. Los científicos tendrían la capacidad de ejecutar estos modelos con mayor frecuencia, lo que proporcionaría actualizaciones de inicialización en una escala de resolución temporal mucho más precisa.

Estas variables tienen una correlación directa con el cambio climático, por lo que este es un próximo paso clave.

Sin embargo, reducir el tiempo de las ejecuciones de estos modelos gracias a este avance ya es un avance significativo. Los análisis más informados y oportunos relacionados con las decisiones de formulación de políticas y la legislación centrada en el clima sólo pueden ayudar a combatir el desafío del cambio climático global.