La predicción numérica del tiempo (NWP) es un pilar de la supercomputación. Algunas de las primeras aplicaciones de las primeras supercomputadoras se ocuparon del modelado climático, e incluso hasta el día de hoy, los modelos climáticos más grandes están fuertemente restringidos por la escala de las supercomputadoras que los ejecutan. Mientras que algunos esperan la era de la exaescala, y más allá, para que existan modelos climáticos complejos y precisos por la fuerza bruta, otros buscan un atajo impulsado por el aprendizaje profundo para los mismos resultados. En un artículo para Philosophical Transactions of the Royal Society, ocho investigadores del Centro de Supercomputación de Jülich exploraron si el aprendizaje profundo podría superar la predicción numérica del tiempo en su propio juego y, de ser así, cómo y cuándo podría suceder.

La comunidad de supercomputación meteorológica y climática no es ajena al aprendizaje profundo, pero hasta ahora se ha utilizado principalmente para aumentar los enfoques de PNT (por ejemplo, para resolver problemas de posprocesamiento). Sin embargo, estos modeladores son reticentes a incorporar el aprendizaje profundo en capacidades más significativas.

'[Hay] todavía reservas sobre la DL en esta comunidad', escriben los autores. “Dos argumentos centrales a este respecto son la falta de explicación de las [redes neuronales] profundas y la falta de limitaciones físicas. Además, prevalece cierto escepticismo debido al hecho de que los investigadores han experimentado con [redes neuronales] bastante simples que claramente no eran adecuadas para capturar la complejidad de los datos meteorológicos y los procesos de retroalimentación, pero luego extrapolaron estos resultados para desacreditar cualquier aplicación [de redes neuronales], incluida la sistemas [de aprendizaje profundo] mucho más potentes '.

Si bien el documento explora si el aprendizaje profundo podría eventualmente reemplazar elementos importantes de un modelo de PNT importante, quizás esté más interesado en si el aprendizaje profundo podría reemplazar todo.

Por Oliver Peckham

Fuente: https://www.hpcwire.com/

Nota: https://www.hpcwire.com/2021/03/03/can-deep-learning-replace-numerical-weather-prediction/