GraphCast - modelo de IA da DeepMind para previsão do tempo

GraphCast: previsão global do tempo rápida e precisa com um modelo de IA

• GraphCast é o mais recente modelo de IA publicado em uma revista científica e fornece previsões do tempo para 10 dias em menos de 1 minuto com alta precisão.
• Realiza previsões meteorológicas de médio prazo com mais rapidez e precisão do que o sistema HRES, considerado o padrão-ouro anterior.
• GraphCast prevê a trajetória de ciclones, rios atmosféricos relacionados ao risco de enchentes e ocorrências de temperaturas extremas, oferecendo alertas antecipados para eventos climáticos extremos.

O desafio da previsão global do tempo

• A previsão meteorológica de médio prazo é essencial para apoiar decisões importantes em várias áreas, de energia renovável à logística de eventos, mas é difícil fazê-la com precisão e eficiência.
• A previsão numérica do tempo (NWP) tradicional converte equações físicas em algoritmos de computador executados em supercomputadores.
• GraphCast aprende com décadas de dados meteorológicos históricos para modelar as relações de causa e efeito de como o clima da Terra evolui.

GraphCast: um modelo de IA para previsão do tempo

• GraphCast é um sistema de previsão do tempo baseado em aprendizado de máquina e redes neurais em grafo (GNN).
• Faz previsões em alta resolução (0,25 grau de longitude/latitude) em mais de um milhão de pontos de grade que cobrem a superfície da Terra.
• GraphCast gera previsões para 10 dias em menos de 1 minuto em uma única máquina Google TPU v4, o que é muito mais eficiente do que os métodos existentes.

Alertas melhores para eventos climáticos extremos

• GraphCast consegue identificar eventos meteorológicos severos mais cedo do que os modelos existentes, o que pode salvar vidas por meio de melhor preparação e reduzir o impacto nas comunidades.
• Ao aplicar um rastreador de ciclones, o GraphCast prevê o deslocamento de ciclones com mais precisão do que o modelo HRES.
• Sua capacidade de prever rios atmosféricos e temperaturas extremas pode ser combinada com modelos de IA para previsão de enchentes, ajudando no planejamento de resposta a emergências.

O futuro do clima com IA

• GraphCast é atualmente o sistema de previsão global do tempo para 10 dias mais preciso do mundo e continuará evoluindo e melhorando com as mudanças climáticas.
• Para tornar a previsão do tempo baseada em IA mais acessível, o código do modelo foi disponibilizado como open source.
• Junto com outros sistemas de previsão do tempo de ponta do Google DeepMind e do Google Research, o uso de IA na previsão do tempo trará benefícios para bilhões de pessoas no dia a dia.

Opinião do GN⁺

O ponto mais importante deste artigo é que o modelo de IA GraphCast oferece previsões meteorológicas de médio prazo muito mais rápidas e precisas do que os sistemas de previsão do tempo existentes. Isso será de grande ajuda para proteger a segurança das pessoas e seus bens, além de apoiar decisões importantes na indústria e na sociedade, à medida que eventos climáticos extremos se tornam mais frequentes por causa das mudanças climáticas. A disponibilização do código open source do GraphCast oferece a cientistas e meteorologistas do mundo todo a oportunidade de usar essa tecnologia para beneficiar bilhões de pessoas no cotidiano. Com previsões rápidas e alta precisão, essa tecnologia deve trazer inovação para a área de previsão do tempo, o que será uma notícia empolgante para todos os interessados em meteorologia.

[kuroneko]

Eu estava pensando em fazer um resumo, mas o GN+ está evoluindo cada vez mais. Assim como as opiniões no HN abaixo, ele organiza tudo de forma bem limpa.
Agora talvez esteja até melhor do que resumir por conta própria. +_+

[GN⁺]

Comentários do Hacker News

• Desenvolvimento de API de clima open source

  Para quem precisa de dados meteorológicos históricos para treinamento e previsão com ML, foi desenvolvida uma API de clima open source que armazena dados meteorológicos continuamente. Ao combinar, com ML, dados históricos e previsões de vários modelos numéricos de clima, é possível alcançar uma capacidade de previsão melhor do que a de modelos individuais. Como cada modelo é fisicamente limitado, espera-se que o modelo de ML resultante seja estável.

• Introdução ao modelo GraphCast

  O GraphCast usa apenas dois conjuntos de dados como entrada: o estado do clima de 6 horas atrás e o estado atual do clima. Depois disso, o modelo prevê o clima 6 horas à frente e repete esse processo em intervalos de 6 horas, oferecendo previsões de ponta por até 10 dias.

• Confusão relacionada ao Google

  Ainda há confusão sobre a distinção entre Google, Google Research e DeepMind. O Google Research fez um anúncio há 2 semanas sobre previsão de 24 horas, e isso também é mencionado no anúncio do GraphCast de hoje.

• Importância da previsão meteorológica local

  Em alguns países, previsões locais de curto prazo para chuva/pancadas são essenciais. É interessante ver como a previsão por radar é muito imprecisa. Os apps mostram dados de radar e dados históricos e fornecem previsões, mas as previsões são absurdas. É evidente por que a "IA" poderia melhorar isso. A previsão local de precipitação é um problema diferente da previsão global.

• Avanços de empresas de tecnologia na previsão do tempo

  O avanço na área de previsão do tempo é impressionante, e é interessante ver grandes empresas de tecnologia entrando nesse setor. A Apple mudou, há um ano, do The Weather Channel para sua própria previsão. Produzir previsões meteorológicas melhores com IA é algo que combina perfeitamente com o Google, e espero que isso seja incorporado ao app de clima.

• Desempenho impressionante de um modelo usando uma única GPU

  Um modelo que usa uma única GPU e supera modelos executados nos maiores supercomputadores do mundo. Não só os pesos do modelo, mas tudo é totalmente open source. Os dados de treinamento/entrada também são relativamente simples. A versão atual é o maior tamanho praticamente possível sob as restrições de engenharia atuais, mas no futuro há potencial para escalar muito mais, usando mais recursos computacionais e dados de resolução mais alta.

• Dúvidas sobre a comparação de precisão

  Não consigo encontrar a citação sobre comparação de precisão. Considerando a quantidade de dados e a complexidade do domínio, é necessária uma análise mais detalhada do desempenho em relação a outros modelos. Como primeiro funcionário da Solcast, passei mais de 4 anos construindo um sistema de 'nowcast', com foco em radiação solar e opacidade de nuvens, mas expandindo para todos os aspectos do clima com o uso da nova geração de satélites e aproveitando modelos NWP. A Solcast usava ML como parte do sistema, mas operacionalmente é preciso muito mais para produzir previsões precisas e confiáveis. Por exemplo, migrar diretamente de algo como o ECMWF para esta caixa-preta seria, no mínimo, arrogante. Pouco antes de sair da Solcast, eu dizia que o maior concorrente deles provavelmente não seriam outras empresas tradicionais de meteorologia, mas sim grandes empresas de tecnologia como Amazon/Google/Microsoft. A Amazon tem adquirido, nos últimos anos, empresas relacionadas a IoT e consumo de energia, e parece que a IA vai entrar fortemente nessa área.

• Velocidade rápida de execução dos modelos de ML

  Tenho acompanhado os modelos globais de clima com ML. O simples fato de eles conseguirem fazer qualquer previsão já é muito impressionante. Enquanto modelos numéricos de previsão do tempo levam horas, em supercomputadores gigantescos, para prever o clima global, esses modelos de ML rodam em minutos ou segundos. Isso tem um potencial enorme para previsão operacional.

• Serviço de precipitação para datas específicas

  Criei um serviço que mostra o dia em que menos choveu nos últimos 10 anos. É ideal para encontrar a data perfeita de casamento para qualquer local e mês.

• Incerteza da previsão do tempo

  Além da dificuldade de cálculo ou de medir com precisão o estado atual, existe algum motivo para acreditar que o clima seja imprevisível? Se fosse possível medir e calcular com recursos suficientes, em teoria não daria para prever o clima diário daqui a 10 anos? Ou existe alguma "aleatoriedade" intrínseca nisso?