Este modelo utiliza aprendizaje automático y la arquitectura de red neuronal graph, para el procesamiento de datos que pueden representarse en gráficos.
Se ha entrenado con el conjunto de datos ERA5 del ECMWF, que comprende cuatro décadas de análisis meteorológicos a partir de observaciones meteorológicas históricas, como imágenes de satélite, radares y estaciones meteorológicas.
Sus responsables afirman que GraphCast puede hacer pronósticos a diez días en menos de un minuto en una sola máquina Google TPU v4. Si se utilizara a HRES, un pronóstico de diez días requeriría horas de cálculo en un superordenador con cientos de máquinas, como recogen en el blog de DeepMind.
Pero no solo es más rápido, sino también más preciso en sus predicciones. En este sentido, apuntan que GraphCast ha demostrado ser más preciso en más del 90 por ciento de las 1380 variables de prueba y pronosticó tiempos de entrega.
El modelo de Google DeepMind, en los pronósticos limitados a la troposfera, la capa de la atmósfera más próxima a la superficie terrestre, superó al HRES en el 99,7 por ciento de las variables de prueba para el clima futuro.
La importancia de este modelo no radica solo en el que puede predecir son precisión y en menos de un minuto el tiempo que hará en los próximos diez días, sino que puede predecir también eventos climáticos extremos, como ciclones, diluvios y olas de calor, "a pesar de no haber sido capacitado para buscarlos", como señalan sus responsables.