Los fenómenos meteorológicos extremos son cada vez más comunes, lo que aumenta la presión sobre las comunidades para que se preparen para una serie de desastres que tienen el potencial no solo de cobrar vidas y dañar viviendas, sino también de trastocar las redes eléctricas, destruir cultivos e interrumpir las rutas de navegación.
Huracanes destructivos. Enormes olas oceánicas. Tormentas de arena y smog intenso.
Los fenómenos meteorológicos extremos son cada vez más comunes, lo que aumenta la presión sobre las comunidades para que se preparen para una serie de desastres que tienen el potencial no solo de cobrar vidas y dañar viviendas, sino también de trastocar las redes eléctricas, destruir cultivos e interrumpir las rutas de navegación.
Mientras un número creciente de nuevos y potentes modelos de IA proporciona nuevas herramientas para anticipar mejor el clima, un nuevo artículo publicado en Nature explica cómo un modelo fundamental, conocido como Aurora , aprovecha los últimos avances en IA para predecir con mayor precisión no solo el clima, sino también una amplia gama de eventos ambientales en una serie de análisis retrospectivos, desde huracanes y tifones hasta la calidad del aire y las olas del océano. Desarrollado por Microsoft Research, Aurora también pronostica esta gama de eventos atmosféricos con mayor precisión y velocidad, y con un costo computacional mucho menor en comparación con la predicción numérica tradicional y los enfoques de IA anteriores.
Un modelo base es un modelo de IA a gran escala entrenado con una amplia variedad de datos. Aurora es único porque no se limita a la predicción meteorológica con IA, sino que es solo una de las funciones que realiza a un nivel de vanguardia. Lo que distingue a Aurora es que se entrena inicialmente como modelo base y, posteriormente, puede especializarse mediante ajustes para ir más allá de lo que se considera la predicción meteorológica tradicional, como la predicción de la contaminación atmosférica. Durante el desarrollo de Aurora, los investigadores han podido ajustar el modelo a diversas capacidades de predicción, incluyendo la predicción de olas oceánicas y ciclones tropicales, lo que demuestra su capacidad como modelo base para el sistema terrestre, en lugar de solo para la atmósfera.
Aurora aprende a generar pronósticos en cuestión de segundos mediante entrenamiento con patrones meteorológicos generales a partir de más de un millón de horas de datos obtenidos de satélites, radares y estaciones meteorológicas, simulaciones y pronósticos. Los investigadores de Microsoft creen que se trata de la mayor recopilación de datos atmosféricos jamás reunida para entrenar un modelo de pronóstico de IA. Aprovechando su singular arquitectura flexible, Aurora se perfecciona para realizar diversas tareas específicas, como predecir la altura de las olas o la calidad del aire, utilizando cantidades moderadas de datos adicionales.
Para pronosticar el tiempo y otros eventos ambientales, Aurora aprovecha la potencia de su tamaño y su entrenamiento con grandes cantidades de datos diversos. Esto le permite superar los modelos numéricos y de IA existentes en el 91 % de los objetivos de pronóstico cuando se ajusta a pronósticos meteorológicos a medio plazo con una resolución de 0,25 grados, informaron los investigadores en Nature . Los pronósticos meteorológicos a medio plazo, en los que se basa la gente en las aplicaciones meteorológicas, suelen reflejar un pronóstico de hasta 14 días.
La incorporación de muchas fuentes de datos diversas da como resultado “no solo una mayor precisión en general, sino que también significa que somos mejores a la hora de pronosticar eventos extremos”, dice Megan Stanley, investigadora sénior de Microsoft Research que formó parte del equipo central del proyecto Aurora.
Para ayudar a avanzar en el campo del pronóstico atmosférico, Microsoft ha puesto a disposición del público el código fuente y los pesos de los modelos de Aurora , lo que permite a los desarrolladores descargarlos y ejecutarlos o desarrollarlos para impulsar una mayor innovación.
Aurora también aparece en Azure AI Foundry Labs , un centro para las últimas investigaciones y experimentos de IA en Microsoft, donde desarrolladores y creadores de distintas industrias pueden descubrir nuevas posibilidades, resolver problemas complejos y compartir conocimientos para dar forma al futuro de la IA.
MSN Weather de Microsoft también incorpora el modelado avanzado de IA de Aurora. El equipo de MSN Weather desarrolló una versión especializada del modelo capaz de generar pronósticos por hora y añadir más parámetros meteorológicos, como precipitaciones y nubosidad, para ofrecer pronósticos aún más precisos y actualizados, y ayudar a los usuarios a mantenerse al día con el tiempo.
Anticipando ciclones con mayor precisión
Cuando el tifón Doksuri tocó tierra en Filipinas en julio de 2023, causó una devastación significativa, incluidas inundaciones generalizadas y cortes de energía.
Según se informó en Nature , durante las pruebas, Aurora predijo con precisión la llegada del tifón Doksuri a Filipinas cuatro días antes del evento. Las predicciones oficiales situaron erróneamente la tormenta frente a la costa norte de Taiwán.
En esta última investigación, Aurora también superó al Centro Nacional de Huracanes en el pronóstico de trayectorias de ciclones tropicales de 5 días, una novedad para un modelo de aprendizaje automático. En un logro significativo, también superó a siete importantes centros de pronóstico en todos los pronósticos de trayectorias de ciclones para la temporada 2022-2023 a nivel mundial, según los investigadores.
La precisión de los pronósticos de la trayectoria de los ciclones de Aurora subraya la importancia del entrenamiento inicial con grandes cantidades de datos diversos.
Predecir la calidad del aire a una fracción del costo de los métodos tradicionales
El 13 de junio de 2022, una devastadora tormenta de arena azotó Irak, una de las diez tormentas similares que azotaron el país ese año, causada por una combinación de intensas sequías, degradación del suelo y altas temperaturas. La tormenta cubrió la capital, Bagdad, y las zonas aledañas con densas nubes de polvo, enviando a miles de personas al hospital con dificultades respiratorias. El aeropuerto local también tuvo que cerrar.
En otro caso práctico presentado en el artículo de Nature , Aurora predijo con precisión la tormenta de arena de Irak, con un día de antelación, a un coste mucho menor que el de un pronóstico tradicional de la calidad del aire. Y lo logró a pesar de que los datos sobre la calidad del aire son relativamente limitados en comparación con los datos meteorológicos. Dado que el modelo aprende primero de un conjunto amplio y diverso de datos, puede ajustarse con cantidades más pequeñas de datos sobre la calidad del aire.
Predecir la calidad del aire a esta escala es mucho más complejo y requiere más recursos que predecir el clima, según los investigadores. Esto se debe a que predecir la calidad del aire implica modelar reacciones químicas complejas y considerar diversos niveles de emisiones globales causadas por la actividad humana.
Aurora «no aprendió nada sobre la química atmosférica, ni sobre cómo el dióxido de nitrógeno, por ejemplo, interactúa con la luz solar; eso no formaba parte del entrenamiento original», dice Stanley. «Y, sin embargo, mediante un ajuste fino, Aurora pudo adaptarse a eso, porque ya había aprendido suficiente sobre todos los demás procesos».
Una mayor precisión conduce a mejores pronósticos de olas
Aurora ahora también destaca en la predicción de detalles de las olas oceánicas, incluyendo altura y dirección, al percibir patrones complejos de olas con mayor detalle. Esto lo hace ideal para predecir la progresión de eventos oceánicos como el tifón Nanmadol, que tocó tierra en Japón en septiembre de 2022 y fue el tifón más intenso de ese año, provocando deslizamientos de tierra e inundaciones récord debido a las lluvias torrenciales. Los cortes de electricidad fueron generalizados y se produjeron en lugares tan lejanos como Corea del Sur.
En otra prueba, Aurora igualó o superó los pronósticos existentes de actividad de olas en el 86 % de las comparaciones realizadas durante un año completo de pruebas, en comparación con el estándar actual de predicción de la actividad de olas. De esta manera, logró predecir la altura de las olas generadas por tifones como Nanmadol con una precisión que supera los mejores modelos de pronóstico actuales.
El rendimiento de Aurora fue especialmente notable porque los datos necesarios para entrenar el modelo en la predicción de olas solo estaban disponibles a partir de 2016, un período corto para una tarea tan compleja, señalaron los investigadores. Esto es otra muestra de la capacidad de Aurora para generar pronósticos impresionantes con pocos datos adicionales para ajustarlos.
Velocidad y precisión
Para dar sentido a grandes cantidades de datos extraídos de múltiples fuentes, Aurora se basa en una “arquitectura de codificador” flexible, que traduce los datos sin procesar y los convierte en un formato estándar que el modelo puede usar para hacer predicciones.
Los investigadores tuvieron cuidado de no sobredescribir el funcionamiento de Aurora, otro factor que se cree que explica su exactitud y precisión. «No estamos imponiendo reglas estrictas sobre cómo creemos que las variables deberían interactuar entre sí», afirma Stanley. «Simplemente le damos a un gran modelo de aprendizaje profundo la opción de aprender lo que sea más útil. Este es el poder del aprendizaje profundo en este tipo de problemas de simulación».
Aunque el entrenamiento inicial de Aurora es costoso, sus gastos operativos son significativamente menores que los de los sistemas tradicionales de predicción meteorológica una vez que esté completamente funcional, escribieron los autores en Nature .
Al utilizar unidades de procesamiento gráfico (GPU) de modelos de gran ancho de banda, Aurora genera pronósticos en segundos, aproximadamente 5.000 veces más rápido que los sistemas tradicionales, que requieren horas en grandes supercomputadoras para generar predicciones comparables.
Prediciendo lo que viene para Aurora
Los primeros resultados de Aurora han despertado interés en el ámbito académico y la industria, incluyendo organizaciones de pronóstico, compañías energéticas e incluso comerciantes de materias primas. Existe un interés particular en ver cómo se puede adaptar para predecir mejor la lluvia, optimizar la logística de los cultivos y proteger las redes eléctricas. Aurora también está disponible para investigadores, meteorólogos y otros profesionales involucrados en la ciencia atmosférica y la predicción meteorológica en el sitio web del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (CEPMPM) , uno de los sistemas de predicción meteorológica más utilizados del mundo.
Wessel Bruinsma, investigador de aprendizaje automático de Microsoft y miembro del equipo Aurora, señala que cada experimento de ajuste fino le tomó a un pequeño equipo de ingenieros solo entre 4 y 8 semanas. «Compare este cronograma con el desarrollo de modelos numéricos tradicionales, que suele tardar varios años», afirma.
«Tiene el potencial de tener un gran impacto porque las personas pueden ajustarlo con precisión a cualquier tarea que sea relevante para ellas», dice Stanley, «ya sea muy local, de alta resolución o modelado de inundaciones, por ejemplo, particularmente en países que carecen de otras capacidades de pronóstico meteorológico».
Stanley cree que Aurora, y lo que viene después, complementará los sistemas de pronóstico actuales, no los reemplazará. «Hay mucha investigación interesante por hacer sobre su capacidad para aprender la física, y si la aprende correctamente, significa que debería ser lo suficientemente robusto como para realizar predicciones en diferentes entornos climáticos. Es el primero de su tipo», añade Stanley. «Pero no significa que será el último».
Microsoft Blog. S. B. Traducido al español
Contacto