Los campos donde puedes aplicar de Machine Learning son muy variados y las técnicas que funcionan en uno pueden las puedes aplicar en otro, o como mínimo servirte de inspiración para resolver los problemas en forma más creativa.

Esto es lo que han hecho investigadores del Laboratorio Nacional de Energía Renovable (NREL) del Departamento de Energía de los Estados Unidos (DOE), que han desarrollado un nuevo enfoque de Machine Learning para mejorar rápidamente la resolución de los datos de velocidad del viento en 50 veces y datos de irradianción solar en 25 veces, una mejora que nunca antes se había logrado con datos climáticos.

Los investigadores optaron por un enfoque alternativo mediante el uso de entrenamiento de confrontación (adversarial training), en el que el modelo produce detalles físicamente realistas al observar campos completos a la vez, proporcionando datos climáticos de alta resolución a una velocidad mucho más rápida. Este enfoque permitirá a los científicos completar estudios de energía renovable en futuros escenarios climáticos más rápido y con mayor precisión.

"Poder mejorar la resolución espacial y temporal de los pronósticos climáticos impacta enormemente no solo en la planificación energética, sino también en la agricultura, el transporte y mucho más", dijo Ryan King, científico informático de NREL que se especializa en Deep Learning basado en la física.

King y sus colegas de NREL, Karen Stengel, Andrew Glaws y Dylan Hettinger, escribieron un nuevo artículo que detalla su enfoque, titulado "Super-resolución adversaria de datos climatológicos de viento y solar", que aparece en la revista Proceedings of the National Academy of Sciences of the United Estados de América. Puedes acceder al artículo aquí.

Los pronósticos climáticos precisos y de alta resolución son importantes para predecir las variaciones en el viento, las nubes, la lluvia y las corrientes marinas que alimentan las energías renovables. Los pronósticos a corto plazo impulsan la toma de decisiones operativas, los pronósticos meteorológicos a mediano plazo guían la programación y la asignación de recursos, y los pronósticos climáticos a largo plazo informan la planificación de la infraestructura y la formulación de políticas.

Sin embargo, es muy difícil preservar la calidad temporal y espacial en los pronósticos climáticos, según King. La falta de datos de alta resolución para diferentes escenarios ha sido un gran desafío en la planificación de la resiliencia energética. Han surgido varias técnicas de Machine Learning para mejorar los datos gruesos a través de la súper resolución, el proceso clásico de imágenes de enfocar una imagen borrosa agregando píxeles. Pero hasta ahora, nadie había usado entrenamiento por confrontación para resolver datos climáticos.

"La capacitación adversaria es la clave de este avance", dijo Glaws, un postdoc NREL que se especializa en Machine Learning.

Como ya sabrás, el entrenamiento por confrontación es una forma de mejorar el rendimiento de las redes neuronales al hacer que compitan entre sí para generar datos nuevos y más realistas.

Los investigadores de NREL entrenaron dos tipos de redes neuronales en el modelo: una para reconocer las características físicas de los datos de alta resolución de la radiación solar y la velocidad del viento, y otra para insertar esas características en los datos gruesos. Con el tiempo, las redes producen datos más realistas y mejoran al distinguir entre entradas reales y falsas. Los investigadores de NREL pudieron agregar 2.500 píxeles por cada píxel original.

"Al utilizar el entrenamiento por confrontación, en oposición al enfoque numérico tradicional para los pronósticos climáticos, que puede implicar resolver muchas ecuaciones físicas, ahorra tiempo de computación, costos de almacenamiento de datos y hace que los datos climáticos de alta resolución sean más accesibles", dijo Stengel, un graduado de NREL que se especializa en Machine Learning.

Este enfoque se puede aplicar a una amplia gama de escenarios climáticos desde escalas regionales a globales, cambiando el paradigma para el pronóstico del modelo climático.

Como puedes imaginar, el utilizar una técnica para mejorar imágenes, como puede ser el entrenamiento por confrontación, para resolver modelos físicos complejos abre la puerta a utilizar esta técnica en otras áreas.