O Sol vai brilhar amanhã, e você não precisa mais apostar seu último dólar para ter certeza disso. A equipe do DeepMind do Google lançou seu mais recente modelo de previsão do tempo esta semana, que supera um modelo de previsão meteorológica tradicional em quase todos os testes realizados.
O modelo de IA generativa é chamado de GenCast, e é um modelo de difusão como aqueles que sustentam ferramentas de IA populares, incluindo Midjourney, DALL·E 3 e Stable Diffusion. Com base nos testes da equipe, o GenCast é melhor em prever fenômenos meteorológicos extremos, o movimento de tempestades tropicais e a força dos rajadas de vento através das vastas extensões de terra da Terra. A discussão sobre o desempenho do GenCast foi publicada esta semana na Nature.
Onde o GenCast se difere de outros modelos de difusão é que ele (obviamente) é focado em clima e “adaptado à geometria esférica da Terra”, como descrito por alguns dos co-autores do artigo em uma postagem no blog do DeepMind.
Em vez de um prompt escrito como “pinte uma imagem de um dachshund no estilo de Salvador Dalí”, a entrada do GenCast é o estado mais recente do tempo, que o modelo então usa para gerar uma distribuição de probabilidade de cenários futuros de clima.
Modelos tradicionais de previsão do tempo, como o ENS, o principal modelo do Centro Europeu de Previsões Meteorológicas de Médio Prazo, fazem suas previsões resolvendo equações físicas.
“Uma limitação desses modelos tradicionais é que as equações que eles resolvem são apenas aproximações das dinâmicas atmosféricas”, disse Ilan Price, um cientista sênior de pesquisa do Google DeepMind e autor principal das mais recentes descobertas da equipe, em um e-mail para o Gizmodo.
As primeiras sementes do GenCast foram plantadas em 2022, mas o modelo publicado esta semana inclui alterações arquitetônicas e uma configuração de difusão aprimorada que tornou o modelo melhor treinado para prever o clima na Terra, incluindo eventos climáticos extremos, até 15 dias à frente.
“O GenCast não está limitado a aprender dinâmicas/padrões que são conhecidos exatamente e podem ser escritos em uma equação”, acrescentou Price. “Em vez disso, ele tem a oportunidade de aprender relacionamentos e dinâmicas mais complexas diretamente dos dados, e isso permite que o GenCast supere os modelos tradicionais.”
O Google tem trabalhado com previsão do tempo há algum tempo e, nos últimos anos, fez alguns passos substanciais em direção a previsões mais precisas usando métodos de IA.
No ano passado, cientistas do DeepMind—alguns dos quais co-autores do novo artigo—lançaram o GraphCast, um método baseado em aprendizado de máquina que superou os modelos atuais de previsão do tempo de médio prazo em 90% dos alvos utilizados nos testes. Apenas cinco meses atrás, uma equipe composta principalmente por pesquisadores do DeepMind publicou o NeuralGCM, um modelo híbrido de previsão do tempo que combinou um preditor meteorológico tradicional baseado em física com componentes de aprendizado de máquina. Essa equipe descobriu que “o aprendizado profundo de ponta a ponta é compatível com tarefas realizadas por modelos convencionais e pode aprimorar as simulações físicas em larga escala que são essenciais para entender e prever o sistema terrestre.”
A resolução alcançada pelo GenCast é aproximadamente seis vezes maior que a do NeuralGCM, mas isso era esperado. “O NeuralGCM é projetado como um modelo atmosférico de uso geral, principalmente para apoiar a modelagem climática, enquanto a maior resolução do GenCast é frequentemente esperada para modelos de previsão operacional de médio prazo, que é o caso de uso específico do GenCast”, acrescentou Price. “É também por isso que enfatizamos uma ampla gama de avaliações que são casos de uso cruciais para previsões operacionais de médio prazo, como prever fenômenos meteorológicos extremos.”
No trabalho recente, a equipe treinou o GenCast com dados históricos do tempo até 2018 e depois testou a capacidade do modelo de prever padrões climáticos em 2019. O GenCast superou o ENS em 97,2% dos alvos usando diferentes variáveis meteorológicas, com diferentes prazos antes do evento climático; com prazos superiores a 36 horas, o GenCast foi mais preciso que o ENS em 99,8% dos alvos.
A equipe também testou a capacidade do GenCast de prever a trajetória de um ciclone tropical—especificamente o Tufão Hagibis, o ciclone tropical mais caro de 2019, que atingiu o Japão em outubro. As previsões do GenCast eram altamente incertas com sete dias de antecedência, mas se tornaram mais precisas em prazos mais curtos. À medida que eventos climáticos extremos geram chuvas mais intensas e pesadas, e furacões quebram recordes de rapidez de intensificação e de quão cedo na temporada se formam, a previsão precisa das trajetórias de tempestades será crucial para mitigar seus custos fiscais e humanos.
Mas isso não é tudo. Em um experimento de prova de conceito descrito na pesquisa, a equipe do DeepMind descobriu que o GenCast era mais preciso que o ENS na previsão do total de energia eólica gerada por grupos de mais de 5.000 parques eólicos no Banco de Dados Global de Usinas de Energia. As previsões do GenCast eram cerca de 20% melhores que as do ENS com prazos de dois dias ou menos e mantiveram melhorias estatisticamente significativas até uma semana. Em outras palavras, o modelo não só tem valor para mitigar desastres—pode informar onde e como implantamos a infraestrutura energética.
O que tudo isso significa para você, apreciador casual do clima? Bem, a equipe do DeepMind tornou o código do GenCast de código aberto e os modelos disponíveis para uso não comercial, então você pode explorar se estiver curioso. A equipe também está trabalhando na liberação de um arquivo de previsões climáticas históricas e atuais.
“Isso permitirá que a comunidade de pesquisa e meteorologia mais ampla interaja, teste, execute e construa sobre nosso trabalho, acelerando mais avanços na área”, disse Price. “Temos versões afinadas do GenCast que podem aceitar entradas operacionais, e assim o modelo pode começar a ser incorporado em configurações operacionais.”
Ainda não há um cronograma sobre quando o GenCast e outros modelos estarão operacionais, embora o blog do DeepMind tenha observado que os modelos estão “começando a alimentar experiências de usuários no Google Search e Maps.”
Se você está aqui pela previsão do tempo ou pelas aplicações de IA, há muito a gostar sobre o GenCast e o conjunto mais amplo de modelos de previsão do DeepMind. A precisão de tais ferramentas será fundamental para prever eventos climáticos extremos com tempo suficiente para proteger aqueles em perigo, seja de inundações nos Apalaches ou tornados na Flórida.