O novo algoritmo de aprendizado de máquina da DeepMind leva menos de um minuto para fazer suas previsões e pode ser executado em um desktop. Mas não substituirá as previsões tradicionais tão cedo.
Com informações de Live Science.
O Google DeepMind desenvolveu um algoritmo de aprendizado de máquina que afirma poder prever o clima com mais precisão do que os métodos atuais de previsão que usam supercomputadores.
O modelo do Google, apelidado de GraphCast, gerou uma previsão de 10 dias mais precisa do que o sistema de previsão de alta resolução (HRES) administrado pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) – fazendo previsões em minutos em vez de horas. O Google DeepMind classifica o HRES como o atual sistema de simulação meteorológica padrão ouro.
O GraphCast, que pode ser executado em um computador desktop, superou o ECMWF em mais de 99% das variáveis climáticas em 90% das 1.300 regiões de teste, de acordo com resultados publicados em 14 de novembro na revista Science.
Mas os investigadores dizem que não é perfeito porque os resultados são gerados numa caixa preta – o que significa que a IA não pode explicar como encontrou um padrão ou mostrar o seu funcionamento – e que deve ser usado para complementar, em vez de substituir, ferramentas estabelecidas.
A previsão hoje depende da inserção de dados em modelos físicos complexos e do uso de supercomputadores para executar simulações. A precisão dessas previsões depende de detalhes granulares dos modelos, e sua execução consome muita energia e é cara.
Mas os modelos meteorológicos de aprendizado de máquina podem operar de forma mais barata porque precisam de menos poder computacional e funcionam mais rápido. Para o novo modelo de IA, os investigadores treinaram o GraphCast em 38 anos de leituras meteorológicas globais até 2017. O algoritmo estabeleceu padrões entre variáveis como pressão atmosférica, temperatura, vento e humidade que nem mesmo os investigadores compreenderam.
Após esse treinamento, o modelo extrapolou as previsões das estimativas meteorológicas globais feitas em 2018 para fazer previsões de 10 dias em menos de um minuto. Executando o GraphCast juntamente com a previsão de alta resolução do ECMWF, que utiliza modelos físicos mais convencionais para fazer previsões, os cientistas descobriram que o GraphCast forneceu previsões mais precisas em mais de 90% dos 12.000 pontos de dados utilizados.
O GraphCast também pode prever eventos climáticos extremos, como ondas de calor, ondas de frio e tempestades tropicais, e quando as camadas atmosféricas superiores da Terra foram removidas para deixar apenas o nível mais baixo da atmosfera, a troposfera, onde os eventos climáticos que impactam os seres humanos são proeminentes, a precisão disparou para mais de 99%.
“Em setembro, uma versão ao vivo do nosso modelo GraphCast disponível publicamente, implantado no site do ECMWF, previu com precisão com cerca de nove dias de antecedência que o furacão Lee atingiria a Nova Escócia”, escreveu Rémi Lam, engenheiro de pesquisa da DeepMind , em um declaração. “Por outro lado, as previsões tradicionais tinham maior variabilidade sobre onde e quando ocorreria o desembarque, e só se fixavam na Nova Escócia com cerca de seis dias de antecedência”.
Apesar do desempenho impressionante do modelo, os cientistas não acreditam que ele substitua as ferramentas usadas atualmente tão cedo. Previsões regulares ainda são necessárias para verificar e definir os dados iniciais para qualquer previsão e, como os algoritmos de aprendizado de máquina produzem resultados que não podem ser explicados, eles podem estar sujeitos a erros ou “alucinações”.
Em vez disso, os modelos de IA poderiam complementar outros métodos de previsão e gerar previsões mais rápidas, disseram os pesquisadores. Eles também podem ajudar os cientistas a ver mudanças nos padrões climáticos ao longo do tempo e a ter uma visão mais clara do panorama geral.
“O pioneirismo na utilização da IA na previsão do tempo beneficiará milhares de milhões de pessoas nas suas vidas quotidianas. Mas a nossa investigação mais ampla não se trata apenas de antecipar o tempo – trata-se de compreender os padrões mais amplos do nosso clima”, escreveu Lam. “Ao desenvolver novas ferramentas e acelerar a investigação, esperamos que a IA possa capacitar a comunidade global para enfrentar os nossos maiores desafios ambientais.”
