Equilibrando IA e física:Rumo a um modelo climático que pode ser aprendido
Um esquema do modelo climático equilibrado entre física e IA. Crédito:Ya Wang
A inteligência artificial (IA) está trazendo mudanças notáveis para a ciência atmosférica, particularmente com a introdução de grandes modelos meteorológicos de IA, como Pangu-Weather e GraphCast. No entanto, juntamente com estes avanços, surgiram questões sobre o alinhamento destes modelos com os princípios fundamentais da física.
Estudos anteriores demonstraram que Pangu-Weather pode replicar com precisão certos padrões climáticos, como respostas de guelras tropicais e teleconexões extratropicais, por meio de análise qualitativa. No entanto, investigações quantitativas revelaram diferenças significativas nos componentes do vento, tais como ventos divergentes e ventos idadeostróficos, nos atuais modelos meteorológicos de IA. Apesar destas descobertas, ainda existem preocupações de que a importância da física na ciência climática seja por vezes ignorada.
"A avaliação qualitativa conclui que os modelos de IA podem compreender e aprender padrões espaciais em dados meteorológicos e climáticos. Por outro lado, a abordagem quantitativa destaca uma limitação:os modelos atuais de IA lutam para aprender certos padrões de vento e, em vez disso, dependem apenas da velocidade total do vento." explica o professor Gang Huang, do Instituto de Física Atmosférica (IAP) da Academia Chinesa de Ciências.
"Isto sublinha a necessidade de diagnósticos dinâmicos abrangentes dos modelos de IA. Somente através de uma análise holística podemos aumentar a nossa compreensão e impor as restrições físicas necessárias."
Pesquisadores, incluindo colaboradores do IAP, da Universidade Nacional de Seul e da Universidade Tongji, defendem uma abordagem colaborativa entre IA e física na modelagem climática, indo além da noção de um cenário “ou-ou”.
O professor Huang diz:"Embora a IA seja excelente na captura de relações espaciais em dados meteorológicos e climáticos, ela luta com componentes físicos diferenciados, como ventos divergentes e ventos idadeostróficos. Isso ressalta a necessidade de diagnósticos dinâmicos rigorosos para impor restrições físicas."
Publicado em Avanços nas Ciências Atmosféricas , seu artigo de perspectivas ilustra métodos para impor restrições físicas suaves e rígidas aos modelos de IA, garantindo consistência com a dinâmica atmosférica conhecida.
Além disso, a equipe defende uma transição de esquemas de parametrização off-line para on-line para alcançar a otimização global nos pesos dos modelos, promovendo assim modelos climáticos equilibrados entre física e IA totalmente acoplados. Dr. Ya Wang afirma:"Essa integração permite a otimização iterativa, transformando nossos modelos em sistemas verdadeiramente aprendíveis".
Reconhecendo a importância da colaboração comunitária, os investigadores promovem uma cultura de abertura, comparabilidade e reprodutibilidade (OCR). Ao abraçar princípios semelhantes aos das comunidades de IA e ciência da computação, eles acreditam no cultivo de uma cultura que conduza ao desenvolvimento de um modelo climático verdadeiramente aprendível.
Em resumo, ao sintetizar as proezas espaciais da IA com os princípios fundamentais da física e ao promover uma comunidade colaborativa, os investigadores pretendem realizar um modelo climático que combine perfeitamente a IA e a física, representando um avanço significativo na ciência climática.
Mais informações: Gang Huang et al, Rumo a um modelo climático que pode ser aprendido na era da inteligência artificial, Advances in Atmospheric Sciences (2024). DOI:10.1007/s00376-024-3305-9 Informações do diário: Avanços nas Ciências Atmosféricas
