Cada vez que oímos hablar de superordenadores la cosa siempre termina con la misma coletilla «y entre sus utilidades está la predicción del tiempo meteorológico». Esto es así porque tradicionalmente este campo requiere simular leyes físicas en las que millones de puntos de control se interrelacionan unos con otros con fuerzas en todas direcciones en lo que se conoce como sistema físico caótico. Entre sus predicciones están no solo el tiempo atmosférico sino también los fenómenos excepcionales como la trayectoria de los huracanes o la llegada de las danas y grandes nevadas.
La forma en la que los superordenadores calculan esas predicciones se basa en los llamados modelos de predicción numérica. Son simulaciones que, de forma simplificada, imitan las leyes físicas. La necesidad de repetir la simulación millones y millones de veces para que sus efectos se propaguen por una zona extensa –o por todo el planeta– es lo que hace que requieran tanta potencia de cálculo. La falta de precisión y que esos cálculos acaban siendo aproximados y probabilísticos es lo que hace que sólo tengan precisión para unas pocas horas, días o algunas semanas como mucho.
Google y el análisis de patrones a corto y medio plazo
El estudio del clima llamó hace tiempo la atención de Google, que dedicó proyectos al estudio de la meteorología y a las predicciones prácticas mediante técnicas propias de la inteligencia artificial. Desde hace más de un año, sistemas como MetNet-3 y GraphCast analizan datos del pasado en busca de sutiles patrones para calcular qué sucederá en el futuro.
MetNet-3 no depende de la simulación de las leyes físicas ni requiere superordenadores, sino que analiza los patrones de los datos observados en el pasado en estaciones meteorológicas y radares para generar pronósticos prácticamente instantáneos (en 2 minutos) en base al parecido entre lo que está sucediendo ahora y lo que sucedió en el pasado. Está orientado al corto plazo, y funciona con una resolución de entre 1 y 4 km, lo que se considera «alta precisión».
Por otro lado, GraphCast emplea redes neuronales de grafos (GNNs) para proporcionar predicciones a medio plazo, hasta unos 10 días. También lo hace en alta precisión (0,25 grados, que son aproximadamente 28 km en el ecuador) con alrededor de un millón de puntos en todo el planeta. Predice cinco variables, entre ellas temperatura, velocidad del viento ) y seis variables atmosféricas a 37 niveles de altura. A diferencia de MetNet-3 sólo necesita los datos de las últimas 6 horas, pero funciona en cuestión de segundos, lo cual es notable respecto a modelos tradicionales que tardan horas en lo mismo.
Nvidia y la potencia de cálculo frente a fenómenos extremos
Por su parte Nvidia ha preferido continuar con las simulaciones mediante predicción numérica de la meteorología aunque con un toque especial. Sus análisis se basan en la utilización de gemelos digitales, reproducciones fieles del terreno y de los fenómenos atmosféricos, sobre los que lanzan toda la potencia de sus GPU (unidades de procesamiento de gráficos).
Los chips de las GPU están diseñadas para realizar trabajos de gran potencia de cálculo, y las simulaciones se benefician además de estar sobre FourCastNet, un modelo físico que está entrenado mediante aprendizaje automático y afinado para emular el tiempo atmosférico a escala global, especialmente fenómenos extremos.
Para hacernos una idea de su potencia baste decir que el gemelo digital está entrenado con 10 TB de datos y que cada predicción a 7 días se puede realizar en una fracción de segundo, calculando miles de posibles escenarios entre los que se selecciona el más probable. Todo esto 100.000 veces más rápido que mediante métodos tradicionales.
Microsoft y la inteligencia artificial pura para predecir la contaminación
También Microsoft trabaja en otra faceta de estos problemas, en este caso el de la predicción de la contaminación atmosférica, en un proyecto llamado Aurora. La principal diferencia respecto a modelos tradicionales o algunos que usan aprendizaje automáticamente es que es un modelo puramente de IA capaz de realizar predicciones globales.
Aurora predice lo que sucederá en los próximos cinco días con varios de los contaminantes principales que suponen un problema para la salud humana: monóxido de carbono, óxido de nitrógeno, dióxido de azufre, ozono y también las partículas en suspensión. Está entrenado con los datos de seis modelos climáticos y meteorológicos diferentes, totalizando más de un millón de horas de información. Gracias a sus predicciones se puede saber en menos tiempo qué sucederá a corto plazo y tomar decisiones tales como elevar niveles de alerta, activar restricciones de movilidad y en general proteger a la población.
Como puede verse, el panorama tecnológico en este campo es muy interesante. Eso sí, recordemos como decía Nina Kunze, del blog SWR Meteosuisse, que
[…] el uso de la inteligencia artificial ciertamente puede ayudar a la meteorología a hacer pronósticos del tiempo aún más precisos, pero solo en algunos lugares. Para poder comprender mejor la dinámica del tiempo y, por lo tanto, mejorar la inteligencia artificial, sigue siendo necesaria la comprensión física de la meteorología.
Todas las grandes empresas tecnológicas están de un modo u otro investigando y dedicando recursos a uno de los problemas más cercanos y mundanos a los que nos enfrentamos todos los días: saber qué tal tiempo hará mañana, pasado mañana o dentro de cuatro o cinco días. La colaboración de los meteorólogos sigue siendo fundamental; no van a reemplazarlo. Pero si estos sistemas consiguen que estas predicciones sean a más largo plazo, más precisas o más completas, todos saldremos ganando.
Foto | (DP) NASA / Joshua Stevens
