La inteligencia artificial (IA) está aportando cambios notables a la ciencia atmosférica, particularmente con la introducción de grandes modelos meteorológicos de IA como Pangu-Weather y GraphCast. Sin embargo, junto con estos avances, han surgido preguntas sobre la alineación de estos modelos con los principios fundamentales de la física.

Estudios anteriores han demostrado que Pangu-Weather puede replicar con precisión ciertos patrones climáticos como las respuestas de Gill tropicales y las teleconexiones extratropicales a través de análisis cualitativos. Sin embargo, las investigaciones cuantitativas han revelado diferencias significativas en los componentes del viento, como vientos divergentes y vientos ageostróficos, dentro de los modelos meteorológicos actuales de IA. A pesar de estos hallazgos, todavía existe la preocupación de que a veces se pase por alto la importancia de la física en la ciencia del clima.

"La evaluación cualitativa encuentra que los modelos de IA podrían comprender y aprender patrones espaciales en datos meteorológicos y climáticos. Por otro lado, el enfoque cuantitativo destaca una limitación:los modelos de IA actuales luchan por aprender ciertos patrones de viento y, en cambio, se basan únicamente en la velocidad total del viento". explica el profesor Gang Huang del Instituto de Física Atmosférica (IAP) de la Academia de Ciencias de China.

"Esto subraya la necesidad de un diagnóstico dinámico integral de los modelos de IA. Sólo a través de un análisis holístico podemos aumentar nuestra comprensión e imponer las limitaciones físicas necesarias".

Los investigadores, incluidos colaboradores del IAP, la Universidad Nacional de Seúl y la Universidad de Tongji, abogan por un enfoque colaborativo entre la IA y la física en el modelado climático, yendo más allá de la noción de un escenario de "esto o lo otro".

El profesor Huang dice:"Si bien la IA sobresale en la captura de relaciones espaciales dentro de los datos meteorológicos y climáticos, tiene dificultades con componentes físicos matizados como vientos divergentes y vientos ageostróficos. Esto subraya la necesidad de diagnósticos dinámicos rigurosos para imponer restricciones físicas".

Publicado en Avances en Ciencias Atmosféricas , su artículo de perspectivas ilustra métodos para imponer restricciones físicas tanto suaves como duras en los modelos de IA, asegurando la coherencia con la dinámica atmosférica conocida.

Además, el equipo aboga por una transición de esquemas de parametrización fuera de línea a en línea para lograr la optimización global en los pesos de los modelos, fomentando así modelos climáticos equilibrados entre física e IA totalmente acoplados. El Dr. Ya Wang dice:"Esta integración permite una optimización iterativa, transformando nuestros modelos en sistemas verdaderamente fáciles de aprender".

Al reconocer la importancia de la colaboración comunitaria, los investigadores promueven una cultura de apertura, comparabilidad y reproducibilidad (OCR). Al adoptar principios similares a los de las comunidades de IA y ciencias de la computación, creen en cultivar una cultura que conduzca al desarrollo de un modelo climático verdaderamente fácil de aprender.

En resumen, al sintetizar la destreza espacial de la IA con los principios fundamentales de la física y fomentar una comunidad colaborativa, los investigadores pretenden crear un modelo climático que combine a la perfección la IA y la física, lo que representa un importante paso adelante en la ciencia del clima.