Os modelos de Inteligência Artificial sugerem que os verdadeiros limites do “efeito borboleta” permanecem desconhecidos.
O limite de duas semanas, baseado na teoria do caos e nas noções do “efeito borboleta” da década de 1960, tem sido transmitido de geração em geração, diz Peter Dueben, diretor de modelagem do sistema terrestre do Centro Europeu de Previsão Meteorológica de Médio Prazo.
“É basicamente uma regra divina“. Mas mesmo os deuses podem errar.
De acordo com a Science, através de um modelo meteorológico de Inteligência Artificial (IA) desenvolvido pelo Google, os cientistas atmosféricos descobriram que previsões de um mês ou mais no futuro podem ser possíveis.
“Não encontramos um limite para até onde se pode ir”, diz Trent Vonich, estudante de doutoramento da Universidade de Washington (UW) que liderou o trabalho, publicado no mês passado no arXiv. “Primeiro ficámos sem memória”.
Com modelos computacionais poderosos, os investigadores já conseguiram previsões significativas para cerca de 10 dias, aproximando-se cada vez mais do limite de duas semanas.
Mostrar que esse limite pode, em princípio, ser ultrapassado “significa que a IA será capaz de fazer isso algum dia, o que é realmente empolgante“, diz Amy McGovern, cientista da computação e meteorologista da Universidade de Oklahoma.
O artigo tem ressalvas. Por um lado, não faz previsões reais além de duas semanas, aponta Tobias Selz, cientista atmosférico da Universidade Ludwig Maximilian de Munique. Até agora, os investigadores da UW testaram as suas previsões de IA apenas com instantâneos reconstruídos do tempo passado.
Além disso, como Selz e os seus colegas demonstraram num estudo de 2023 publicado na revista Geophysical Research Letters, os modelos de IA ignoram os processos atmosféricos em pequena escala — efeitos tão pequenos como o bater de asas de uma borboleta — que se acredita que se acumulam e impulsionam o limite de previsibilidade.
“Estou muito relutante em usar esses modelos para fazer afirmações sobre a previsibilidade atmosférica”, diz Selz.
A noção de um limite intrínseco de previsão remonta a Edward Lorenz, o famoso matemático e meteorologista do Instituto de Tecnologia de Massachusetts (MIT).
Num artigo de 1963, apontou que mesmo uma pequena diferença na representação do estado inicial da atmosfera ou de um sistema caótico semelhante acabaria por causar divergências significativas nas previsões.
Então, num artigo de 1969, sugeriu que, mesmo que essas condições iniciais fossem conhecidas quase perfeitamente, o sistema ainda teria um limite de previsibilidade impulsionado pelo rápido crescimento do erro em pequenas escalas.
Lorenz, no entanto, não especificou realmente um limite de duas semanas. De acordo com um estudo recente liderado por Bo-wen Shen, matemático da Universidade Estadual de San Diego, Lorenz apresentou uma variedade de limites possíveis, mas nunca se decidiu por um.
O número de duas semanas veio, em vez disso, de Jule Charney, do MIT, e outros pioneiros que estavam a avaliar as capacidades dos primeiros modelos numéricos de previsão do tempo do mundo, mais ou menos na mesma época.
Shen também observa que o exercício de modelagem de Lorenz em 1969 baseava-se em equações altamente sensíveis aos dados de entrada, o que levou Shen a questionar se o efeito borboleta é um artefacto.
De qualquer forma, não há razão para pensar que o limite de duas semanas seja uma regra, diz. “Não é uma lei baseada na física. É uma suposição empírica“.
No seu novo trabalho, Vonich e Hakim basearam-se no GraphCast do Google, um modelo de IA treinado com 40 anos de “dados de reanálise” — instantâneos de alta resolução do clima do planeta com base em observações e previsões de modelos de curto prazo.
A dupla queria ver como o GraphCast funcionaria se conseguissem aumentar radicalmente a precisão das condições iniciais, o instantâneo inicial.
Fizeram isso comparando o estado final da atmosfera a partir dos dados de reanálise com as previsões do GraphCast.
As deficiências numa previsão poderiam então ser usadas para ajustar as condições iniciais dos dados de reanálise que o modelo usou para iniciar a sua previsão, potencialmente aproximando-os do estado real da atmosfera.
Os modelos meteorológicos operacionais também podem ser ajustados retroativamente dessa forma, à medida que observações subsequentes são acumuladas.
Mas os cálculos necessários para olhar mais de 12 horas no tempo rapidamente tornam-se esmagadores.
A estrutura do GraphCast, por outro lado, torna estas análises fáceis de executar milhares de vezes e mais atrás no tempo, permitindo que o modelo se concentre num instantâneo inicial quase perfeito para a atmosfera, diz Hakim. “Basicamente, estavam a entregar-nos isso numa bandeja de prata”.
Com as condições iniciais treinadas, a precisão do GraphCast para a sua previsão de 10 dias melhorou em 86% em média — “absolutamente enorme” em termos meteorológicos, diz Vonich. Ainda mais surpreendente, o modelo mostrou habilidade em prever o tempo mais de 33 dias no futuro.
No início, foi difícil para Hakim acreditar, dado o que tinha aprendido. “É quase como uma desconexão da realidade”, diz. “No entanto, aqui estão os resultados. É possível repetir este cálculo”.
A dupla também analisou como o modelo estava a alterar as condições iniciais, temendo que estivesse a fazer algo irrealista. Descobriram que o modelo estava a fazer pequenos ajustes em parâmetros como a temperatura em grandes escalas.
Também parecia estar a reforçar certos padrões de vento que os modelos meteorológicos tradicionais costumam atenuar.
O que apenas mostra que há maneiras de a IA, se tiver dados suficientes, superar as aproximações e os erros incorporados nos modelos tradicionais, diz Animashree Anandkumar, cientista da computação do Instituto de Tecnologia da Califórnia. «Quando se descarta tudo, tem-se a oportunidade de repensar as coisa”.
Selz, no entanto, diz que não há evidências de que as condições iniciais ajustadas estejam realmente mais próximas da realidade observada na atmosfera.
Os ajustes podem simplesmente estar a criar um ponto de partida ideal para as previsões do GraphCast, numa espécie de profecia auto-realizável. Se essa versão perfeita for perturbada, Selz suspeita que a janela de previsão prolongada poderá fechar novamente.
“E isso é exatamente o que o efeito borboleta nos diz”. Independentemente disso, o trabalho está a levantar muitas questões sobre o conhecimento adquirido, diz Dueben, que sempre foi um pouco cético quanto à aplicabilidade do efeito borboleta ao clima.
“Provavelmente é uma visão muito limitada dizer que são apenas pequenas escalas que se movem para cima e destroem os limites da previsão”, diz.
Esta opinião é partilhada por James Doyle, meteorologista pesquisador do Laboratório de Pesquisa Naval. Lorenz não estava errado ao dizer que pequenos erros podem-se proliferar, diz. “Mas talvez não seja tão crítico”.
Por enquanto, uma previsão de um mês ainda é uma aspiração, pois exigiria uma visão muito mais refinada da atmosfera do que é possível atualmente com satélites e balões meteorológicos.
Mas se o novo horizonte de previsão continuar a atrair, Doyle diz que agora não é o momento de recuar na pesquisa meteorológica. “Isso diz-nos que há mais a ganhar ao levar os modelos mais longe”.
