Pronóstico del tiempo con una sola tarjeta gráfica exprés
Pronosticar el tiempo es como intentar predecir hacia dónde rodará una piedra por una ladera, conociendo la forma de cada bulto y la fuerza del viento. Si te equivocas al principio, en una semana el error se convierte en toda una tormenta. Antes, para hacer pronósticos precisos se necesitaban enormes computadoras y cálculos de varios días. Ahora existe el modelo Sonny, que hace lo mismo con una sola tarjeta gráfica.
Sonny funciona en dos pasos. Primero, una capa estrecha pero profunda del modelo sigue los grandes movimientos del aire, como un observador que ve toda la ladera y entiende hacia dónde rueda la piedra en general. Luego, una capa ancha añade detalles: calor, humedad, fricción. Este enfoque permite no ahogarse en los detalles, pero tampoco perder la visión general. Para que el pronóstico no se desmorone a largo plazo, durante el entrenamiento se usa una regla simple: el modelo promedia ligeramente sus parámetros todo el tiempo, como si mirara hacia atrás a los pasos anteriores.
Los trópicos son el lugar más caprichoso para un pronosticador. Allí el aire está saturado de humedad, y el más mínimo empujón puede generar un tifón. Sonny ha aprendido a ver esos vórtices incipientes antes que otros modelos ligeros. Esto es importante para los países donde los tifones destruyen casas y cobran vidas cada año.
La piedra en la ladera es el clima. Sonny no solo la observa, sino que entiende cómo las irregularidades del terreno y las ráfagas de viento cambiarán su trayectoria. Y lo hace de forma tan económica que ahora incluso un pequeño grupo universitario puede permitirse un pronóstico preciso.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.21284
Weather forecasting is a fundamental problem for protecting lives and infrastructure from high-impact atmospheric events. Recently, data-driven weather forecasting methods based on deep learning have demonstrated strong performance, often reaching accuracy levels competitive with operational numerical systems. However, many existing models rely on large-scale training regimes and compute-intensive architectures, which raises the practical barrier for academic groups with limited compute resources. Here we introduce Sonny, an efficient hierarchical transformer that achieves competitive medium-range forecasting performance while remaining feasible within reasonable compute budgets. At the core of Sonny is a two-stage StepsNet design: a narrow slow path first models large-scale atmospheric dynamics, and a subsequent full-width fast path integrates thermodynamic interactions. To stabilize medium-range rollout without an additional fine-tuning stage, we apply exponential moving average (EMA) during training. On WeatherBench2, Sonny yields robust medium-range forecast skill, remains competitive with operational baselines, and demonstrates clear advantages over FastNet, particularly at extended tropical lead times. In practice, Sonny can be trained to convergence on a single NVIDIA A40 GPU in approximately 5.5 days.
Una tarjeta gráfica NVIDIA A40 consume aproximadamente 300 vatios, como tres bombillas incandescentes brillantes. Durante los cinco días y medio de entrenamiento, Sonny gasta menos electricidad que un refrigerador doméstico normal en el mismo período.
En el relato de Ray Bradbury «El sonido del trueno», el protagonista cambia el pasado y eso cambia el clima. Sonny es un paso hacia la predicción de tales cambios, incluso si provienen del caos de la atmósfera.