• Nosotros
    • ¿Quiénes somos?
    • Bienvenida del Coordinador
    • Línea del tiempo
  • Infraestructura
    • Infra. Tecnológica
    • Infra. Física
  • Servicios
    • Soluciones y Servicios para Supercómputo
      • Supercómputo (HPC)
      • Información usuarios HPC
    • Soluciones Tecnológicas y de Consultoría
      • Soluciones Tecnológicas y de Consultoría
      • Centro de datos
      • Soluciones eCloud, Almacenamiento y Respaldo
      • Servicios Administrados de Telecomunicaciones
      • Mesa de servicios
      • Monitoreo de Infraestructura física y Tecnológica (NOC & SOC)
      • Servicios Administrados de protección de DSoS
      • Servicio de DRP
      • Consultoría TI
    • Soluciones eLearning
  • Investigación
    • Líneas de Investigación
    • Publicaciones Académicas y Científicas
    • Producción Científica
    • Colaboración Académica
    • Formación de R.H.
  • Noticias
  • Contacto
    • Contacto
    • Soporte Técnico

¿Puede el aprendizaje profundo reemplazar la predicción meteorológica numérica?



miércoles, marzo 3rd, 2021Noticias

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/




Leave a Reply Cancel Reply

Your email address will not be published.


Comment


Name

Email

Url


Entradas recientes

  • (sin título)
  • Manual de usuarios TK II
  • (sin título)
  • Uso de cómputo de alto rendimiento e inteligencia artificial en Bioinformática
  • La Conferencia Latinoamericana de Computación de Alto Rendimiento llega a México

Comentarios recientes

    Archivos

    • marzo 2022
    • octubre 2021
    • septiembre 2021
    • junio 2021
    • marzo 2021
    • febrero 2021
    • septiembre 2020
    • enero 2018

    Categorías

    • Avisos
    • Noticias
    • Publicaciones Académicas
    • Usuario de HPC

    Meta

    • Acceder
    • Feed de entradas
    • Feed de comentarios
    • WordPress.org
    © 2021 - Centro Nacional de Supercómputo Handmade by CNS team