Em setembro, pesquisadores da unidade DeepMind AI do Google, em Londres, estavam prestando atenção incomum ao clima do outro lado do lago. O furacão Lee estava a pelo menos 10 dias de atingir o continente – eras em termos de previsão – e as previsões oficiais ainda oscilavam entre a chegada da tempestade nas principais cidades do Nordeste ou a sua falta total. O próprio software experimental da DeepMind fez um prognóstico muito específico sobre a chegada ao continente muito mais ao norte. “Ficamos presos aos nossos assentos”, diz o cientista pesquisador Rémi Lam.
Uma semana e meia depois, em 16 de setembro, Lee atingiu o local exatamente onde o software da DeepMind, chamado GraphCast, havia previsto dias antes: Long Island, Nova Escócia – longe dos principais centros populacionais. Isso se somou a uma temporada de avanços para uma nova geração de modelos meteorológicos alimentados por IA, incluindo outros construídos pela Nvidia e Huawei, cujo forte desempenho pegou o campo de surpresa. Meteorologistas veteranos disseram à WIRED no início desta temporada de furacões que as sérias dúvidas dos meteorologistas sobre a IA foram substituídas por uma expectativa de grandes mudanças no campo.
Hoje, o Google compartilhou novas evidências revisadas por pares dessa promessa. Em um artigo publicado Hoje em Ciência, Os pesquisadores da DeepMind relatam que seu modelo superou as previsões do Centro Europeu de Previsão Meteorológica de Médio Prazo (ECMWF), um gigante global de previsão do tempo, em 90% de mais de 1.300 variáveis atmosféricas, como umidade e temperatura. Melhor ainda, o modelo DeepMind poderia ser executado em um laptop e gerar uma previsão em menos de um minuto, enquanto os modelos convencionais exigem um supercomputador gigante.
Ar fresco
Simulações meteorológicas padrão fazem suas previsões tentando replicar a física da atmosfera. Eles melhoraram ao longo dos anos, graças a uma matemática melhor e à obtenção de observações meteorológicas refinadas de armadas crescentes de sensores e satélites. Eles também são complicados. As previsões nos principais centros meteorológicos, como o ECMWF ou a Associação Nacional Oceânica e Atmosférica dos EUA, podem levar horas para serem computadas em servidores poderosos.
Quando Peter Battaglia, diretor de pesquisa da DeepMind, começou a analisar a previsão do tempo há alguns anos, parecia ser o problema perfeito para seu tipo particular de aprendizado de máquina. A DeepMind já havia feito previsões de precipitação local com um sistema chamado NowCasting, treinado com dados de radar. Agora, sua equipe queria tentar prever o clima em escala global.
Battaglia já liderava uma equipe focada na aplicação de sistemas de IA chamados redes neurais de grafos, ou GNNs, para modelar o comportamento de fluidos, um desafio clássico da física que pode descrever o movimento de líquidos e gases. Dado que a previsão do tempo é fundamental para modelar o fluxo de moléculas, explorar GNNs parecia intuitivo. Embora o treinamento desses sistemas seja pesado, exigindo centenas de unidades de processamento gráfico especializadas, ou GPUs, para processar enormes quantidades de dados, o sistema final é, em última análise, leve, permitindo que as previsões sejam geradas rapidamente com o mínimo de energia do computador.
As GNNs representam dados como “gráficos” matemáticos – redes de nós interconectados que podem influenciar uns aos outros. No caso das previsões meteorológicas da DeepMind, cada nó representa um conjunto de condições atmosféricas em um determinado local, como temperatura, umidade e pressão. Esses pontos estão distribuídos ao redor do globo e em várias altitudes – uma nuvem literal de dados. O objetivo é prever como todos os dados em todos esses pontos irão interagir com os seus vizinhos, captando como as condições mudarão ao longo do tempo.
