Un nuevo modelo de inteligencia artificial ha demostrado superar a los sistemas tradicionales de predicción meteorológica, según publica esta semana la revista Nature. La herramienta, desarrollado por Microsoft y bautizada como Aurora, promete una mayor precisión y eficiencia en la previsión de fenómenos como la calidad del aire, la trayectoria de ciclones tropicales, el comportamiento de las olas oceánicas y el pronóstico meteorológico de alta resolución.
Las predicciones del sistema terrestre son fundamentales para anticipar eventos extremos. Abarcan procesos como el clima, las corrientes oceánicas, el hielo marino o los huracanes, y se basan en modelos complejos construidos durante décadas. Estos modelos tradicionales requieren gran capacidad computacional y equipos especializados para su mantenimiento. Sin embargo, los avances recientes en inteligencia artificial apuntan a un cambio de paradigma.
El modelo Aurora ha sido desarrollado por el equipo liderado por Paris Perdikaris, profesor de Ingeniería Mecánica y Mecánica Aplicada en la Universidad de Pensilvania y director de investigación en Microsoft Research AI for Science. Perdikaris es experto en el desarrollo de modelos para la modelización del clima y el tiempo meteorológico.
Supera a varios sistemas operativos especializados de predicción, y lo hace con una fracción del coste computacional, Paris Perdikaris, Universidad de Pensilvania
Aurora ha sido entrenada con más de un millón de horas de datos geofísicos. Según los autores, su rendimiento supera al de los principales centros de predicción en áreas clave como la calidad del aire, las olas oceánicas y los ciclones. En concreto, logró mejores resultados que siete centros de predicción en el 100 % de los casos medidos para trayectorias de ciclones a cinco días, y en el 92 % de los casos para predicciones meteorológicas a diez días.
"Hemos desarrollado un modelo fundacional a gran escala para el sistema terrestre que supera a varios sistemas operativos especializados de predicción, y lo hace con una fracción del coste computacional", explican los autores del estudio.
Completado en menos de dos meses
Una de las ventajas de Aurora es su eficiencia: el entrenamiento del modelo se completó en unas 8 semanas, mientras que el desarrollo de modelos convencionales puede llevar años. "Cada experimento de ajuste fino del modelo requirió entre 4 y 8 semanas con un equipo reducido de ingenieros, frente a los varios años de desarrollo que suelen necesitar los modelos dinámicos tradicionales", detallan los investigadores. No obstante, subrayan que este rápido avance solo fue posible "gracias a la enorme cantidad de datos generados por décadas de investigación con métodos numéricos clásicos".
Los investigadores (el equipo reúne a científicos de Austria, Países Bajos, Reino Unido o Taiwán) destacan además que Aurora podría evolucionar en diversas direcciones: "El modelo puede ampliarse fácilmente para generar conjuntos de predicciones, algo clave en situaciones de alta incertidumbre, como las previsiones a largo plazo o fenómenos muy localizados". También señalan que todavía no se ha alcanzado el techo de rendimiento del sistema: "Nuestros resultados sugieren que es posible mejorar aún más la precisión si se entrena con datos más diversos o si se incrementa el tamaño del modelo".
En el futuro podría tener aplicaciones no meteorológicas, como la productividad agrícola o los patrones de polinización
Aunque esta IA es plenamente funcional, todavía depende de las condiciones iniciales proporcionadas por sistemas tradicionales de asimilación de datos. En línea con los avances recientes en predicción meteorológica, los autores contemplan que en el futuro Aurora pueda operar directamente con datos observacionales. Asimismo, consideran importante explorar "si los patrones aprendidos por el modelo pueden asociarse a procesos físicos concretos".
El potencial impacto de Aurora en el campo de la predicción del sistema terrestre es significativo, aunque en este estudio se aplica a cuatro ámbitos principales, "el modelo puede ajustarse para cualquier tarea de predicción deseada, y ofrecer resultados superiores a los actuales con un coste mucho menor". Por ejemplo, la predicción de un clima local o regional, el crecimiento de la vegetación, los fenómenos extremos como inundaciones e incendios forestales o incluso otras aplicaciones no meteorológicas como la productividad agrícola o los patrones de polinización.
