Notícia

Inteligência Artificial permite simulação climática com modelos climáticos mais realistas

Fonte

TUM | Universidade Técnica de Munique

Data

domingo, 9 outubro 2022 16:45

Áreas

Ciência Ambiental. Geociências. Inteligência Artificial. Modelagem Climática. Mudanças Climáticas.

Os computadores já usam a inteligência artificial para melhorar a resolução de imagens difusas, para criar imagens que imitam o estilo de determinados pintores com base em fotografias ou para renderizar retratos realistas de pessoas que na verdade não existem. O método subjacente é baseado no que é chamado de GANs (Generative Adversarial Networks).

Recentemente, uma equipe liderada pelo Dr. Niklas Boers, professor de Modelagem do Sistema Terrestre na Universidade Técnica de Munique (TUM) e pesquisador do Instituto Potsdam para Pesquisa de Impacto Climático, na Alemanha, aplicou esses algoritmos de aprendizado de máquina à pesquisa climática. O grupo de pesquisa publicou recentemente suas descobertas na revista científica Nature Machine Intelligence.

Nem todos os processos são considerados nos modelos climáticos

“Os modelos climáticos diferem dos modelos usados ​​para fazer previsões meteorológicas, especialmente em termos de seu horizonte de tempo mais amplo. O horizonte de previsão para previsões meteorológicas é de vários dias, enquanto os modelos climáticos realizam simulações ao longo de décadas ou mesmo séculos”, explicou Philipp Hess, autor principal do estudo e pesquisador de Modelagem do Sistema Terrestre da TUM. O tempo pode ser previsto com bastante exatidão para alguns dias; a previsão pode ser posteriormente verificada com base em observações reais. Quando se trata de clima, no entanto, o objetivo não é uma previsão baseada no tempo, mas, entre outras coisas, projeções de como o aumento das emissões de gases de efeito estufa afetará o clima da Terra em longo prazo.

Apesar dos avanços, os modelos climáticos ainda não conseguem levar em conta todos os processos climáticos relevantes. Isso ocorre, por um lado, porque alguns processos ainda não foram suficientemente compreendidos e, por outro, porque simulações detalhadas levariam muito tempo e exigiriam muito poder de computação. “Como resultado, os modelos climáticos ainda não podem representar eventos de precipitação extrema da maneira que gostaríamos. Portanto, começamos a usar GANs para otimizar esses modelos em relação à produção de precipitação”, disse o professor Niklas Boers.

Otimizando modelos climáticos com dados meteorológicos

De modo geral, uma GAN consiste em duas redes neurais. Uma rede tenta criar um exemplo a partir de um produto previamente definido, enquanto a outra tenta distinguir esse exemplo gerado artificialmente de exemplos reais. As duas redes competem, assim, uma com a outra, melhorando continuamente no processo.

A equipe de Niklas Boers adotou uma abordagem semelhante: os pesquisadores usaram um modelo climático comparativamente simples para demonstrar o potencial do uso de aprendizado de máquina para melhorar esses modelos. Os algoritmos da equipe usam dados meteorológicos observados. Usando esses dados, a equipe treinou as GAN para alterar as simulações do modelo climático para que não pudessem mais ser distinguidas das observações meteorológicas reais. “Dessa forma, o grau de detalhe e realismo pode ser aumentado sem a necessidade de cálculos de processo adicionais complicados”, disse o Dr. Markus Drücke, especialista em modelos climáticos do Instituto Potsdam para Pesquisa de Impacto Climático e coautor do estudo.

GANs podem reduzir a eletricidade consumida na modelagem climática

Mesmo modelos climáticos relativamente simples são complexos e são processados ​​usando supercomputadores que consomem grandes quantidades de energia. Quanto mais detalhes o modelo leva em conta, mais complicados se tornam os cálculos e maior a quantidade de eletricidade consumida. Os cálculos envolvidos na aplicação de um GAN treinado em uma simulação climática são, no entanto, insignificantes em comparação com a quantidade de cálculo necessária para o próprio modelo climático. “O uso de GANs para tornar os modelos climáticos mais detalhados e realistas é prático não apenas para melhorar e acelerar as simulações, mas também em termos de economia de eletricidade”, concluiu o Dr. Philipp Hess.

Acesse o resumo do artigo científico (em inglês).

Acesse a notícia completa na página da Universidade Técnica de Munique (em inglês).

Fonte: Andreas Huber, Centro de Comunicação Corporativa da Universidade Técnica de Munique. Imagem: Modelo de supercomputador da NASA mostra como os gases de efeito estufa, como o dióxido de carbono (CO2) – um dos principais fatores do aquecimento global – flutuam na atmosfera da Terra ao longo do ano. Concentrações mais altas são mostradas em vermelho. Fonte: Estúdio de Visualização Científica da NASA/NASA’s Global Modeling and Assimilation Office.