Los algoritmos detrás de herramientas creativas de inteligencia artificial como DallE, cuando se combinan con datos basados en la física, pueden usarse para desarrollar mejores formas de modelar el clima de la Tierra. Los científicos informáticos de Seattle y San Diego han utilizado esta combinación para crear un modelo capaz de predecir patrones climáticos durante un período de 100 años, 25 veces más rápido que el estado de la técnica.
En particular, un modelo llamado Spherical DYffusion puede simular 100 años de patrones climáticos en 25 horas, una simulación que llevaría semanas para otros modelos. Además, los modelos más modernos actuales deben funcionar en superordenadores. Este modelo puede ejecutarse en clústeres de GPU en un laboratorio de investigación.
“Los modelos de aprendizaje profundo basados en datos están en camino de revolucionar la modelización meteorológica y climática global”, escriben investigadores de la Universidad de California en San Diego y el Instituto Allen de IA.
El equipo de investigación presentará su trabajo en la Conferencia Never IPS 2024, del 9 al 15 de diciembre en Vancouver, Canadá.
Actualmente, generar simulaciones climáticas es muy costoso debido a su complejidad. Como resultado, los científicos y los responsables de la formulación de políticas sólo pueden realizar simulaciones durante un período de tiempo limitado y considerar escenarios limitados.
Una de las ideas clave de los investigadores fue que los modelos creativos de IA, como los modelos de difusión, pueden combinarse y utilizarse para proyecciones climáticas. Combinaron esto con un operador neuronal esférico, un modelo de red neuronal diseñado para trabajar con datos en una esfera.
El modelo resultante comienza con el conocimiento de los patrones climáticos y luego aplica una serie de cambios basados en los datos aprendidos para predecir patrones futuros.
“Una ventaja clave sobre los modelos de difusión (DM) tradicionales es que nuestro modelo es mucho más eficiente. Es posible producir predicciones muy realistas y precisas con los DM tradicionales, pero no a la misma velocidad”, escriben los investigadores.
Además de funcionar mucho más rápido que el de última generación, este modelo es casi tan preciso sin ser costoso desde el punto de vista computacional.
El modelo tiene limitaciones que los investigadores pretenden superar en su próxima iteración, como agregar más elementos a sus simulaciones. Los próximos pasos incluyen modelar cómo responde la atmósfera al CO.2.
“Simulamos la atmósfera, que es uno de los elementos más importantes en los modelos climáticos”, dijo Rose Yu, miembro de la facultad del Departamento de Ciencias de la Computación e Ingeniería de UC San Diego y una de las autoras principales del artículo.
El trabajo sigue a una pasantía de uno de los doctores del Reino Unido. estudiante Silva Rohling Keche en el Instituto Allen de IA (Ai2).
