Usamos cookies. Más información  aquí Aceptar

Predecir el futuro climático con Inteligencia Artificial y Machine Learning

La potencia de los ordenadores es cada vez superior, y esto ayuda a predecir el clima con mayor rapidez

Para poner el modelado climático global al alcance de los tomadores de decisiones locales, algunos científicos creen que es hora de repensar el sistema desde cero


El pasado mes de abril, el MIT anunció cinco proyectos emblemáticos plurianuales en los primeros Grandes Desafíos Climáticos, una nueva iniciativa para abordar problemas climáticos complejos y brindar soluciones innovadoras al mundo lo más rápido posible. Este artículo es el primero de una serie de cinco partes que destaca los conceptos más prometedores que surgieron de la competencia y los equipos de investigación interdisciplinarios detrás de ellos.



Con mejoras en el poder de procesamiento de las computadoras y una mayor comprensión de las ecuaciones físicas que gobiernan el clima de la Tierra, los científicos trabajan continuamente para refinar los modelos climáticos y mejorar su poder predictivo. Pero las herramientas que están refinando fueron originalmente concebidas hace décadas con solo científicos en mente. Cuando se trata de desarrollar planes de acción climáticos tangibles, estos modelos siguen siendo inescrutables para los encargados de formular políticas, los funcionarios de seguridad pública, los ingenieros civiles y los organizadores comunitarios que más necesitan su conocimiento predictivo.



"Lo que terminas teniendo es una brecha entre lo que normalmente se usa en la práctica y la ciencia de vanguardia real", dice Noelle Selin, profesora del Instituto de Datos, Sistemas y Sociedad y del Departamento de Ciencias Planetarias, Atmosféricas y de la Tierra. (EAPS), y codirigió con el profesor Raffaele Ferrari en el proyecto insignia de MIT Climate Grand Challenges " Llevar la computación al desafío climático ". "¿Cómo podemos usar nuevas técnicas computacionales, nuevos conocimientos, nuevas formas de pensar sobre el modelado, para cerrar realmente esa brecha entre los avances científicos y el modelado de vanguardia, y las personas que realmente necesitan usar estos modelos?"



Usando esto como una pregunta clave, el equipo no solo intentará refinar los modelos climáticos actuales, sino que también construirá uno nuevo desde cero.



Este tipo de avance revolucionario es exactamente lo que busca el MIT Climate Grand Challenges, razón por la cual la propuesta ha sido nombrada uno de los cinco proyectos emblemáticos en el ambicioso programa de todo el Instituto destinado a abordar la crisis climática. La propuesta, que fue seleccionada entre 100 presentaciones y estuvo entre los 27 finalistas, recibirá financiación y apoyo adicionales para avanzar en su objetivo de reinventar el sistema de modelado climático. También reúne a colaboradores de todo el Instituto, incluidos el MIT Schwarzman College of Computing, la Escuela de Ingeniería y la Sloan School of Management.



Cuando se trata de buscar soluciones climáticas de alto impacto que las comunidades de todo el mundo puedan usar, "es genial hacerlo en el MIT", dice Ferrari, profesora de Oceanografía de EAPS Cecil e Ida Green. “No encontrará muchos lugares en el mundo donde tenga la ciencia climática de vanguardia, la informática de vanguardia y los expertos en ciencias políticas de vanguardia que necesitamos para trabajar juntos”.




El modelo climático del futuro con inteligencia artificial



La propuesta se basa en el trabajo que Ferrari comenzó hace tres años como parte de un proyecto conjunto con Caltech, la Escuela Naval de Posgrado y el Laboratorio de Propulsión a Chorro de la NASA. Llamado Climate Modeling Alliance (CliMA), el consorcio de científicos, ingenieros y matemáticos aplicados está construyendo un modelo climático capaz de proyectar con mayor precisión cambios futuros en variables críticas, como nubes en la atmósfera y turbulencia en el océano, con incertidumbres en menos la mitad del tamaño de los modelos existentes.



Para hacer esto, sin embargo, se requiere un nuevo enfoque. Por un lado, los modelos actuales tienen una resolución demasiado gruesa, en la escala de 100 a 200 kilómetros, para resolver procesos a pequeña escala como la cobertura de nubes, la lluvia y la extensión del hielo marino. Pero también, explica Ferrari, parte de esta limitación en la resolución se debe a la arquitectura fundamental de los propios modelos. Los lenguajes en los que están codificados la mayoría de los modelos climáticos globales se crearon por primera vez en las décadas de 1960 y 1970, en gran parte por científicos para científicos. Desde entonces, los avances en la informática impulsados ??por el mundo empresarial y los juegos informáticos han dado lugar a nuevos lenguajes informáticos dinámicos, potentes unidades de procesamiento de gráficos y aprendizaje automático.



Para que los modelos climáticos aprovechen al máximo estos avances, solo hay una opción: comenzar de nuevo con un lenguaje moderno y más flexible. Escrito en Julia, una parte de la tecnología de aprendizaje automático científico de Julialab, y encabezado por Alan Edelman , profesor de matemáticas aplicadas en el Departamento de Matemáticas del MIT, CliMA podrá aprovechar muchos más datos de los que pueden manejar los modelos actuales.



“Ha sido muy divertido finalmente trabajar con personas en ciencias de la computación aquí en el MIT”, dice Ferrari. “Antes era imposible, porque los modelos climáticos tradicionales están en un idioma que sus estudiantes ni siquiera pueden leer”.



El resultado es lo que se llama el "gemelo digital de la Tierra", un modelo climático que puede simular las condiciones globales a gran escala. Esto por sí solo es una hazaña impresionante, pero el equipo quiere ir un paso más allá con su propuesta.



“Queremos tomar este modelo a gran escala y crear lo que llamamos un 'emulador' que solo predice un conjunto de variables de interés, pero ha sido entrenado en el modelo a gran escala”, explica Ferrari. Los emuladores no son una tecnología nueva, pero lo nuevo es que estos emuladores, a los que se hace referencia como los "primos digitales de la Tierra", aprovecharán el aprendizaje automático.



“Ahora sabemos cómo entrenar un modelo si tenemos suficientes datos para entrenarlos”, dice Ferrari. El aprendizaje automático para proyectos como este solo ha sido posible en los últimos años a medida que se dispone de más datos de observación, junto con una potencia de procesamiento de computadora mejorada. El objetivo es crear modelos más pequeños y más localizados entrenándolos con el gemelo digital de la Tierra. Si lo hace, ahorrará tiempo y dinero, lo cual es clave si los primos digitales van a ser útiles para las partes interesadas, como los gobiernos locales y los desarrolladores del sector privado.



Predicciones climáticas con machine learning



Cuando se trata de establecer una política informada sobre el clima, las partes interesadas deben comprender la probabilidad de un resultado dentro de sus propias regiones, de la misma manera que se prepararía para una caminata de manera diferente si hay un 10 por ciento de probabilidad de lluvia versus un 90 por ciento de probabilidad. Los modelos primos digitales de la Tierra más pequeños podrán hacer cosas que el modelo más grande no puede hacer, como simular regiones locales en tiempo real y proporcionar una gama más amplia de escenarios probabilísticos.



“En este momento, si quisieras usar la salida de un modelo climático global, por lo general tendrías que usar la salida diseñada para uso general”, dice Selin, quien también es directora del Programa de Política y Tecnología del MIT. Con el proyecto, el equipo puede tener en cuenta las necesidades del usuario final desde el principio y, al mismo tiempo, incorporar sus comentarios y sugerencias en los modelos, lo que ayuda a "democratizar la idea de ejecutar estos modelos climáticos", como ella dice. Hacerlo significa construir una interfaz interactiva que eventualmente les dará a los usuarios la capacidad de cambiar los valores de entrada y ejecutar las nuevas simulaciones en tiempo real. El equipo espera que, eventualmente, los primos digitales de la Tierra puedan ejecutarse en algo tan ubicuo como un teléfono inteligente, aunque desarrollos como ese están actualmente fuera del alcance del proyecto.



Lo siguiente en lo que trabajará el equipo será en establecer conexiones con las partes interesadas. A través de la participación de otros grupos del MIT, como el Programa Conjunto sobre Ciencia y Política del Cambio Global y el Consorcio de Clima y Sostenibilidad , esperan trabajar en estrecha colaboración con los encargados de formular políticas, los funcionarios de seguridad pública y los planificadores urbanos para brindarles herramientas predictivas adaptadas a sus necesidades. necesidades que pueden proporcionar resultados procesables importantes para la planificación. Frente al aumento del nivel del mar, por ejemplo, las ciudades costeras podrían visualizar mejor la amenaza y tomar decisiones informadas sobre el desarrollo de infraestructura y la preparación para desastres; las comunidades en regiones propensas a la sequía podrían desarrollar una planificación civil a largo plazo con énfasis en la conservación del agua y la resistencia a los incendios forestales.



“Queremos que el proceso de modelado y análisis sea más rápido para que las personas puedan obtener comentarios más directos y útiles para las decisiones a corto plazo”, dice.



La pieza final del desafío es incentivar a los estudiantes ahora para que puedan unirse al proyecto y marcar la diferencia. Ferrari ya ha tenido suerte atrayendo el interés de los estudiantes después de impartir una clase con Edelman y ver el entusiasmo de los estudiantes por la informática y las soluciones climáticas.



“Tenemos la intención en este proyecto de construir un modelo climático del futuro”, dice Selin. “Así que parece muy apropiado que también entrenemos a los constructores de ese modelo climático”.





Solicítanos ahora tu presupuesto para proyecto de Inteligencia Artificial, lo recibirás en un plazo de 48h hábiles.


Este artículo ha sido elaborado tomando el MIT como fuente.

20/06/2022, Overstand


Blog sobre Inteligencia Artificial