L’intelligenza artificiale favorisce una svolta nelle previsioni meteorologiche e climatiche. I progressi nelle previsioni sono garantiti dall’apprendimento automatico in combinazione con la fisica, nel nuovo modello sviluppato da Google. Utilizzando un ibrido di apprendimento automatico e strumenti di previsione esistenti, un modello guidato da Google chiamato NeuralGCM ha efficacemente integrato l’AI ai modelli fisici atmosferici convenzionali per tracciare tendenze climatiche decennali ed eventi meteorologici estremi come i cicloni, come ha scoperto un team di scienziati. Questa combinazione di apprendimento automatico con tecniche consolidate potrebbe fornire un modello per affinare l’uso dell’AI in altri campi, dalla scoperta di materiali al design ingegneristico, suggeriscono i ricercatori.
NeuralGCM, cos’è, come funziona
NeuralGCM si è dimostrato molto più veloce delle previsioni meteorologiche e climatiche tradizionali e migliore dei modelli basati solo su AI nelle previsioni a lungo termine, hanno affermato. “NeuralGCM dimostra che quando combiniamo l’AI con modelli basati sulla fisica, possiamo migliorare notevolmente la precisione e la velocità delle simulazioni climatiche atmosferiche,” dichiara Stephan Hoyer, senior staff engineer presso Google Research e coautore di uno studio pubblicato su Nature.
Lo studio ha rivelato che NeuralGCM è risultato più veloce, più preciso e ha utilizzato meno potenza computazionale nei test rispetto a un attuale modello di previsione basato su strumenti fisici atmosferici chiamati X-SHiELD, attualmente in sviluppo da parte di un ramo della National Oceanic and Atmospheric Administration degli Stati Uniti. In una prova, NeuralGCM ha identificato quasi lo stesso numero di cicloni tropicali rispetto ai tracker convenzionali per eventi estremi, e il doppio rispetto a X-SHiELD.
In un altro test basato sui livelli di temperatura e umidità durante il 2020, il tasso di errore era tra il 15 e il 50 percento inferiore. I calcoli di NeuralGCM sono stati in grado di generare 70mila giorni di simulazione in 24 ore utilizzando una delle unità personalizzate AI tensor processing units di Google, dice lo studio. In confronto, per calcoli comparabili, X-SHiELD ha generato solo 19 giorni di simulazione, necessitando di 13.824 unità computerizzate per farlo.
Il ruolo di Google
Google ha collaborato allo sviluppo del NeuralGCM con il Centro Europeo per le Previsioni Meteorologiche a Medio Termine (ECMWF). Il gruppo europeo ha reso pubblico il suo modello a giugno e Google ha reso open access il codice per NeuralGCM. Utilizza 80 anni di dati osservativi ECMWF e analisi retrospettiva per l’apprendimento automatico. L’unità DeepMind di Google lo scorso anno ha presentato un modello solo AI chiamato GraphCast che superava i metodi convenzionali fino a 10 giorni avanti.
Google è stata coinvolta in un numero crescente di iniziative di sorveglianza ambientale. Fornisce supporto tecnologico a una missione satellitare per tracciare le emissioni di metano che riscaldano il pianeta e collabora con la Nasa, l’agenzia spaziale statunitense, per aiutare i governi locali a monitorare la qualità dell’aria.
NeuralGCM più preciso del solo apprendimento automatico
Anche agenzie previsive consolidate come l’UK Met Office hanno progetti per integrare l’apprendimento automaticо nel loro lavoro. Peter Dueben, capо della modellazione del sistema terrestre pressо ECMWF е coautore dello studio più recente, ha detto che i modelli solo-AI erano “spesso visti con scetticismo” dagli esperti perché non si basavano su equazioni matematiche derivanti dalla fisica. La combinazione del modello basatо sulla fisica cоn quello dеll’apprendimentо profondo “sembra ottenere il meglio dai due mondi”, hа aggiunto, sottolineando che l’approccio rappresentava “un grande passо avanti verso la modellazione del clima cоn apprendimentо autоmaticо”. C’era ancora “lavorο da fare”, come abilitare NeuralGcm а stimare l’impatto degli aumentі dі CO₂ sulle temperature superficialі globalі, ha detto Dueben. Altri settori in cui іl mοdello doveva essere miglioratο includevano la sua capacità dі simulare climі senza precedenti, afferma lo studіο.
Un esperto non coinvolto nel lavoro, Cédric M. John, responsabile della scienza dei dati per l’ambiente e la sostenibilità presso la Queen Mary University di Londra, ha affermato che ci sono “prove convincenti” che NeuralGCM è più preciso del solo apprendimento automatico e più veloce del modello “full-physics”. Anche se c’è ancora un “margine di miglioramento”, la possibilità di errore dovrebbe essere misurabile e gli aggiornamenti dovrebbero essere possibili, ha suggerito.
“È importante notare che questo modello ibrido è in grado di catturare un insieme di previsioni, e l’implicazione pratica è che si può ricavare una stima dell’incertezza della previsione”, ha detto John.
