Finalmente, un robot que le indica qué chaqueta debe usar para la función. Google DeepMind, el cerebro centrado en la IA del gigante de las búsquedas, acaba de anunciar un nuevo modelo de pronóstico del tiempo que supera a los sistemas tradicionales más del 90% del tiempo. Llamado GraphCast, el modelo de aprendizaje automático promete Predicciones de 10 días que son mejores, más rápidas y más eficientes energéticamente que las herramientas que ejecutan su aplicación meteorológica hoy en día.
“Creemos que esto marca un punto de inflexión en la previsión meteorológica”, escribieron los investigadores de Google en un estudiar publicado el martes.
En general, el modelo actual para pronósticos se llama “predicción meteorológica numérica (NWP)”. La NWP conecta las condiciones climáticas actuales en enormes modelos que simular cambios próximos basados en los principios de la dinámica de fluidos, la termodinámica y otras ciencias atmosféricas. Es complicado, costoso y requiere toneladas de potencia de cómputo.
En lugar de realizar simulaciones sobre cómo las moléculas volarán y chocarán entre sí, GraphCast rompe con la tradición al poner mayor énfasis en datos históricos. En otras palabras, es un modelo de aprendizaje automático que hace predicciones basadas en lo que sucedió en el pasado. de informática sofisticada involucrada, pero en general es mucho más simple en términos del nivel y número de cálculos que requiere.
GraphCast comienza con el estado actual del clima de la Tierra y datos sobre el clima de hace seis horas. Luego, hace una predicción sobre lo que El tiempo se verá como dentro de seis horas. GraphCast luego introduce esas predicciones nuevamente en el modelo, realiza el mismo cálculo y escupe pronósticos a más largo plazo.
El equipo de Google comparó los resultados de GraphCasts con el modelo actual que se utiliza para la predicción meteorológica de rango medio, llamado HRES. Según el estudio, GraphCast “significativamente” superó a HRES en el 90 % de los objetivos utilizados en la prueba.
GraphCast también tuvo un éxito sorprendente en la predicción de eventos climáticos extremos, incluidos ciclones tropicales y cambios extraños de temperatura, aunque no estaba específicamente entrenado para manejar ellos.
Los autores del estudio dicen que su trabajo está destinado a funcionar junto con los sistemas estándar en los que confían los meteorólogos. “Nuestro enfoque no debe considerarse como un reemplazo para los métodos tradicionales de predicción del tiempo”, escribieron los autores del estudio. “Más bien, nuestro trabajo debería interpretarse como evidencia de que el [aprendizaje La predicción del tiempo es capaz de enfrentar los desafíos de los problemas de pronóstico del mundo real y tiene potencial para complementar y mejorar los mejores métodos actuales”.
Este contenido ha sido traducido automáticamente del material original. Debido a los matices de la traducción automática, pueden existir ligeras diferencias. Para la versión original, haga clic aquí.