Novo modelo climático que usa IA generativa é 25 vezes mais rápido do que modelos atuais
Novo modelo consegue prever padrões climáticos ao longo de 100 anos com grande eficiência computacional
Salva Ruhling Cachay e Dra. Rose Yu (UCSD); Dr. Brian Henn, Dr. Oliver Watt-Meyer e Dr. Christopher S. Bretherton, Allen Institute AI
3 de dezembro de 2024, 10:58

Fonte

Ioana Patringenaru, UCSD Today

Publicação Original

Universidade da Califórnia em San Diego

Áreas

Clima, Computação, Geociências, Gestão Ambiental, Modelagem Climática, Modelagem Matemática, Mudanças Climáticas, Simulação Computacional

Compartilhar

Resumo

Procurando tornar modelos climáticos mais acessíveis, tanto em questão de infraestrutura necessária para modelagem quanto em termos de tempo de processamento, pesquisadores desenvolveram uma nova aplicação de modelos de difusão para avançar na acessibilidade de resultados de modelagem climática.

Com a nova técnica, os pesquisadores conseguiram reduzir a 25 horas uma simulação que demoraria semanas usando os modelos atuais.

Simulações de modelos climáticos são atualmente muito caras devido à sua complexidade. Como resultado, cientistas só podem executar simulações por um período limitado de tempo e considerar apenas cenários limitados.

Mas, recentemente, cientistas da computação do Allen Institute for Artificial Intelligence e da Universidade da Califórnia em San Diego (UCSD), nos EUA, combinaram Inteligência Artificial (IA) generativa com dados físicos para criar um modelo que é capaz de prever padrões climáticos ao longo de 100 anos. Com um diferencial: o novo modelo é 25 vezes mais rápido do que modelos no atual estado da arte.

Especificamente, o modelo – chamado Spherical Dyffusion –  pode projetar 100 anos de padrões climáticos em 25 horas — uma simulação que levaria semanas para outros modelos. Além disso, os modelos de última geração existentes precisam ser executados em supercomputadores, enquanto o novo modelo pode ser executado em clusters de GPU em um laboratório de pesquisa.

Os pesquisadores integraram modelos de IA generativa – os chamados modelos de difusão – com um Operador Neural Esférico, um modelo de rede neural projetado para trabalhar com ‘dados em uma esfera’.

O modelo resultante começa com o conhecimento dos padrões climáticos e, em seguida, aplica uma série de transformações com base em dados aprendidos para prever padrões futuros.

Uma das principais vantagens sobre um modelo de difusão convencional é que nosso modelo é muito mais eficiente. Pode ser possível gerar previsões tão realistas e precisas com modelos de difusão convencionais, mas não com tanta velocidade

Pesquisadores do Allen Institute for AI e da UCSD

Eficiência computacional e novos desenvolvimentos

Além de rodar muito mais rápido do que outros modelos no estado da arte, o novo modelo também é quase tão preciso e tem um custo computacional muito mais baixo.

Existem algumas limitações no modelo que os pesquisadores pretendem superar em suas próximas iterações, como incluir mais elementos em suas simulações. Os próximos passos incluem simular como a atmosfera responde ao CO2.

“Nós emulamos a atmosfera, que é um dos elementos mais importantes em um modelo climático”, disse a Dra. Rose Yu, professora do Departamento de Ciência da Computação e Engenharia da UCSD e uma das autoras seniores do artigo.

O trabalho também teve a participação de Salva Ruhling Cachay, doutorando orientado pela professora Rose Yu.

A equipe de pesquisa está apresentando o novo desenvolvimento na Conferência NeurIPS 2024, que acontece entre os dias 9 e 15 de dezembro em Vancouver, no Canadá.

O artigo está disponível na plataforma OpenReview, ainda sem revisão por pares.

Em suas publicações, o Portal SciAdvances tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal SciAdvances tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Autores/Pesquisadores Citados

Dra. Rose Yu

Professora do Departamento de Ciência da Computação e Engenharia da UCSD

Salva Ruhling Cachay

Doutoranda no Departamento de Ciência da Computação e Engenharia da UCSD

Instituições Citadas

Mais Informações

Acesse o artigo na plataforma OpenReview (em inglês).

Acesse a notícia original completa na página da Universidade da Califórnia em San Diego (em inglês).

Comunique um Erro

Leia também:

Rolar para cima