Redes Neuronales de Grafos aplicadas a la predicción meteorológica

12 Feb. 2026 - Aula 32 - 15:00hs Estudiantes

Históricamente, la simulación de sistemas geofísicos —desde la dinámica de fluidos hasta la atmósfera terrestre— ha dependido de solvers numéricos costosos basados en ecuaciones diferenciales parciales y parametrizaciones de subgrilla. Sin embargo, el auge del Geometric Deep Learning ha propuesto un cambio de paradigma: aprender la física directamente de los datos. Este seminario explorará cómo las Redes Neuronales de Grafos (GNNs) permiten modelar interacciones físicas complejas en espacios no euclidianos. Se discutirán trabajos fundacionales que demuestran la capacidad de estas redes para aprender la dinámica no lineal de objetos y fluidos. Finalmente, presentaremos el estado del arte en la aplicación de estas técnicas a la meteorología, analizando modelos como GraphCast, los cuales modelan la atmósfera como una malla icosaédrica multiescala. Veremos cómo estos enfoques data-driven no solo igualan, sino que superan a los mejores modelos deterministas globales, ofreciendo predicciones más rápidas y precisas sobre la evolución del estado de la atmósfera a corto/mediano plazo.