Cómo funcionan los modelos meteorológicos de IA

Entre las rutas que Saily WR traza para una travesía, tres proceden de modelos distintos de los demás: AIFS, del ECMWF, AICON, del DWD, y AIGFS, de la NOAA. Durante setenta años, prever el tiempo significó resolver la física de la atmósfera; su viento sale, en cambio, de redes neuronales que aprendieron el tiempo de su propio pasado. Las palabras «inteligencia artificial» invitan a la fe ciega o a encogerse de hombros, y ninguna de las dos actitudes ayuda a un patrón que sopesa una travesía. Para saber cuánto peso merecen sus rutas, conviene abrir la caja y ver lo que ocurre dentro.

Un modelo meteorológico clásico es física puesta a trabajar. Divide la atmósfera en cajas, de unos 9 km de lado y apiladas en 137 niveles en el caso del IFS del ECMWF, y aplica en cada una las leyes que gobiernan el aire: las de Newton para su movimiento, la conservación de su masa, de su energía y de su agua. Paso a paso, unos pocos minutos de tiempo cada vez, calcula cómo cambian el viento, la presión, la temperatura y la humedad. Lo que es más pequeño que una caja, un cúmulo, la turbulencia sobre las olas, no puede calcularse y se representa mediante reglas simplificadas, las parametrizaciones, donde se esconde buena parte del error de un modelo. Una previsión a quince días mantiene ocupada una gran parte de un superordenador.

Toda previsión, clásica o no, parte de una imagen del presente, el análisis. El ECMWF recibe cada día unos 800 millones de observaciones, de satélites, globos sonda, aviones, barcos, boyas a la deriva y estaciones meteorológicas, y conserva unos sesenta millones una vez revisadas, pero dejan grandes huecos, sobre todo en los océanos. La asimilación de datos los rellena: toma una previsión corta del modelo físico y la acerca a cada observación, en la medida en que esa observación merece confianza, hasta dar con el mejor equilibrio entre lo que el modelo esperaba y lo que se midió. Este paso, el más delicado de toda la cadena, importa para lo que sigue: ninguno de los modelos de IA de Saily WR lo realiza. Cada uno parte del análisis de un modelo físico.

El salto de los modelos de IA consiste en sustituir las ecuaciones por la experiencia. Imagine a un navegante que hubiera estudiado todos los mapas del tiempo de los últimos cuarenta años, de seis en seis horas, y aprendido de memoria cómo cada uno se convertía en el siguiente: ante el mapa de ahora y el de hace seis horas, sabría esbozar el de dentro de seis horas. Esa es exactamente la pregunta que se le plantea a una red neuronal: conocido el estado de la atmósfera ahora y un paso antes, predecir el de un paso después, seis horas más adelante para AIFS y AIGFS, tres para AICON. No lleva escrita ninguna ley de la física: todo lo que sabe, lo encontró en sus ejemplos.

Su manual es un reanálisis: el tiempo del pasado reconstruido con un único modelo y un único método de asimilación, para que todos los años estén dibujados igual. ERA5, el reanálisis del ECMWF, da el estado de la atmósfera hora a hora desde 1940, en una malla de un cuarto de grado. AIFS aprendió de sus años 1979 a 2022, y después de los análisis recientes del ECMWF; GraphCast, la red de Google DeepMind que está en el corazón de AIGFS, también de ERA5 y de los análisis del ECMWF, antes de que la NOAA la ajustara con los suyos; AICON, de quince años de un reanálisis que el DWD hizo con ICON. Entrenar consiste en mostrar a la red millones de pares de estados, medir cada vez cuánto se aleja su respuesta de lo que ocurrió y ajustar sus millones de parámetros, los pesos de sus conexiones, para acercarse un poco más. Se hace una vez para cada versión, alrededor de una semana en 64 procesadores gráficos para AIFS, y después el modelo se usa tal cual.

¿Cómo abarca una red un planeta entero? No como una imagen plana: la Tierra es redonda, y en una malla de latitudes y longitudes los meridianos se apiñan en los polos. Los tres reúnen el tiempo en un mallado de puntos repartidos de manera uniforme sobre la esfera y unidos a sus vecinos, un grafo. GraphCast lo construye dividiendo, una y otra vez, las caras de un icosaedro, un dado de veinte caras, hasta tener unos 40.000 nodos; AICON lo traza a partir de los propios triángulos de ICON. En GraphCast y AICON, los nodos se pasan luego mensajes unos a otros: los enlaces cortos transmiten el tiempo local, los largos permiten que la información cruce un océano en un solo paso. AICON pondera esos mensajes mediante la atención, un mecanismo por el que cada punto aprende cuáles de sus vecinos importan más; AIFS, cuyo corazón es un transformer más que un grafo, aplica la atención a ventanas que se deslizan sobre su mallado. Al final, el resultado se reparte de nuevo sobre la malla de la previsión.

Una red que solo sabe mirar un paso por delante llega a varios días vista alimentándose de sí misma: su previsión a seis horas se convierte en el punto de partida del paso siguiente, y así sucesivamente, 64 veces para los dieciséis días de AIGFS. Este encadenamiento, llamado autorregresión, es el eslabón débil: un error cometido al principio se arrastra a todos los pasos siguientes, y puede crecer. Para contenerlo, las redes se entrenan no solo con un paso, sino también con varios encadenados, para que aprendan a corregir su propia deriva. Ese entrenamiento tiene un coste oculto, al que llegan los párrafos siguientes: el DWD optó por entrenar AICON con un único paso de tres horas precisamente para conservar el detalle que un entrenamiento más largo borra.

Una vez entrenados, estos modelos son de una sobriedad sorprendente. Una previsión de AIFS a diez días tarda unos minutos en un solo procesador gráfico, donde el IFS necesita una gran parte de un superordenador, y el ECMWF cifra en unas mil veces la energía ahorrada. Eso cambia lo que un centro de previsión puede permitirse: lanzar cincuenta previsiones a la vez para medir la incertidumbre, como hace AIFS ENS con sus 51 miembros, cuesta poco. Pero el ahorro se detiene en la previsión misma. El análisis del que parte sigue procediendo del sistema físico y de sus observaciones, a coste completo: los modelos de IA abaratan la previsión, no el conocimiento del presente.

Su defecto más conocido viene de la forma en que se les pone nota. Durante el entrenamiento, el error se mide por lo general como un error cuadrático medio, la media de los cuadrados de las diferencias entre previsión y realidad. A cinco días vista, la atmósfera tiene varios futuros posibles: una borrasca puede pasar al norte de Irlanda, o al sur. Ante esa duda, la respuesta que mantiene más pequeño un error cuadrático no es ninguna de las dos trayectorias, sino su media, una borrasca menos profunda en algún punto intermedio. La red aprende a nadar entre dos aguas, y sus campos se vuelven más suaves cuanto más lejos mira: los picos de viento se achatan, los frentes se difuminan, los temporales se debilitan. El ECMWF señala que AIFS produce ciclones tropicales menos intensos que el IFS, y los predictores del DWD comprobaron que AICON subestima los vientos fuertes.

La investigación se afana en buscar el remedio. Los conjuntos entrenados con otra puntuación, la puntuación de probabilidad clasificada continua o CRPS, que premia un grupo de previsiones cuya dispersión corresponde a la incertidumbre real, mantienen nítido cada miembro en lugar de dejar que se fundan en una única media suave: es el camino de AIFS ENS. La versión 1.1 de AIGFS, desde julio, mide sus errores sobre los patrones de cada campo, escala por escala, en lugar de punto por punto, para difuminar menos a largo plazo. AICON, entrenado con un único paso corto, sale menos difuminado, según la propia medición del DWD, que los modelos deterministas entrenados con ERA5. Ninguno de estos remedios es completo, y Saily WR lee una sola previsión de cada modelo: en un temporal, el viento de un modelo de IA sigue leyéndose mejor como probablemente demasiado flojo.

Donde AIFS y AIGFS brillan es en la imagen a gran escala con varios días de antelación, la parte de una previsión que decide una travesía oceánica: dónde estarán las borrascas y los anticiclones, cuándo llegará un frente, qué camino tomará una tormenta tropical. En su forma original, arrancando de los análisis del ECMWF, GraphCast superó a la mejor previsión determinista de su época en el 90 % de los 1380 objetivos con los que se comprobó; el ECMWF encontró AIFS por delante de su IFS físico en muchas medidas, hasta un 20 %, entre ellas las trayectorias de los ciclones tropicales. AICON, concebido para el tiempo cerca de la superficie, rinde mejor en el viento de los primeros días, y cede el paso a ICON en los grandes sistemas más allá de unos dos días. Son puntuaciones de posiciones y de patrones, no de la fuerza del viento en una turbonada.

Sus límites vienen de lo que aprendieron. Una red solo conoce el tiempo de su manual: un temporal más fuerte que cualquiera de sus décadas de reanálisis queda fuera de su experiencia, y nada en ella garantiza el respeto de las leyes de la física más allá de lo que le enseñaron sus ejemplos. La primera versión de AIFS, mal ponderada en la humedad del suelo durante su entrenamiento, preveía manchas de lluvia salidas de la nada. Sus mallas son gruesas, unos 30 km para AIFS y AIGFS, y los triángulos de 13 km de AICON llegan a Saily WR en una malla de un cuarto de grado como la suya: ni brisa marina, ni aceleración frente a un cabo, ni sombra de viento tras una isla. Y no sustituyen a los modelos físicos, se apoyan en ellos: sin el análisis del IFS, de GFS o de ICON, no tendrían punto de partida.

Esa dependencia es precisamente lo que los hace útiles en el mar. Cada modelo de IA tiene un gemelo físico que parte exactamente del mismo análisis: AIFS con el IFS del ECMWF, AICON con ICON, AIGFS con GFS. Donde las rutas de dos gemelos se separan, han salido del mismo tiempo, así que la diferencia viene solo de los modelos: señal de que la previsión es incierta, o de que el modelo de IA la está suavizando. Supongamos que está en A Coruña, esperando una ventana para cruzar el golfo de Vizcaya dentro de cuatro días: si AIFS y el IFS coinciden, y GFS, que parte de otro análisis, coincide con ellos, la ventana pisa terreno firme; si solo AIFS muestra una borrasca más suave, lo más probable es que la esté suavizando. Lea AIFS y AIGFS para el dónde y el cuándo de los grandes sistemas, AICON para el viento de los primeros días, los modelos físicos para la fuerza con que sopla, y su desacuerdo como la medida de cuánto debe usted dudar.