Un modello computerizzato che combina la tradizionale tecnologia di previsione meteorologica con l’apprendimento automatico ha sovraperformato altri strumenti basati sull’intelligenza artificiale (AI). Previsione degli scenari meteorologici e delle tendenze climatiche a lungo termine superato.

Lo strumento, rilasciato il 22 luglio inNaturaè stato descritto 1, è il primo modello di machine learning in grado di generare previsioni meteorologiche d'insieme accurate, che rappresentano una serie di scenari. Il suo sviluppo apre la porta a previsioni più rapide e meno dispendiose in termini di energia rispetto agli strumenti esistenti e più dettagliate rispetto agli approcci basati esclusivamente sull’intelligenza artificiale.

"I modelli climatici tradizionali devono essere eseguiti su supercomputer. Questo è un modello che può essere eseguito in pochi minuti", afferma il coautore dello studio Stephan Hoyer, che studia deep learning presso Google Research a Mountain View, California.

Gli attuali sistemi di previsione si basano tipicamente su modelli di circolazione generale (GCM), programmi che si basano sulle leggi della fisica per simulare i processi negli oceani e nell’atmosfera terrestre e prevedere come potrebbero influenzare il tempo e il clima. Tuttavia, i GCM richiedono molta potenza di calcolo e i progressi nell’apprendimento automatico offrono un’alternativa più efficiente. "Abbiamo terabyte o petabyte (un milione di volte più grandi di un gigabyte) di dati meteorologici storici", afferma Hoyer. “Imparando da questi modelli, possiamo costruire modelli migliori”.

Esistono già alcuni modelli di previsione basati sull'apprendimento automatico come Pangu-Weather, creato dal conglomerato tecnologico Huawei con sede a Shenzhen, in Cina, e GraphCast di DeepMind con sede a Londra. Questi modelli hanno livelli di precisione simili ai tipici GCM per le previsioni deterministiche, un approccio che genera un’unica previsione meteorologica. Tuttavia, i GCM non sono altrettanto affidabili per le previsioni d’insieme o per le previsioni climatiche a lungo termine.

“Il problema con gli approcci puramente di apprendimento automatico è che lo addestri sempre e solo sui dati che ha già visto”, afferma Scott Hosking, che conduce ricerche sull’intelligenza artificiale e sui dati ambientali presso istituti di Londra. "Il clima cambia continuamente, ci stiamo dirigendo verso l'ignoto, quindi i nostri modelli di apprendimento automatico devono estrapolare questo futuro sconosciuto. Incorporando la fisica nel modello, possiamo garantire che i nostri modelli siano fisicamente limitati e non possano fare nulla di irrealistico."

Modello ibrido

Hoyer e il suo team hanno sviluppato e addestrato NeuralGCM, un modello che "combina aspetti di un metodo tradizionale di risoluzione atmosferica basato sulla fisica con alcuni componenti di intelligenza artificiale", afferma Hoyer. Hanno utilizzato il modello per produrre previsioni meteorologiche e proiezioni climatiche a breve e lungo termine. Per valutare l’accuratezza di NeuralGCM, i ricercatori hanno confrontato le sue previsioni con i dati del mondo reale e con i risultati di altri modelli, inclusi GCM e quelli basati esclusivamente sull’apprendimento automatico.

Come gli attuali modelli di apprendimento automatico, NeuralGCM potrebbe produrre previsioni meteorologiche deterministiche e precise a breve termine – con un anticipo compreso tra uno e tre giorni – utilizzando una frazione dell’energia richiesta dai GCM. Tuttavia, ha commesso molti meno errori rispetto ad altri modelli di machine learning nella produzione di previsioni a lungo termine oltre i sette giorni. In effetti, le previsioni a lungo termine di NeuralGCM erano simili alle previsioni del modello ensemble del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF-ENS), un GCM ampiamente considerato il gold standard per le previsioni meteorologiche.

Il team ha anche testato la capacità del modello di prevedere vari fenomeni meteorologici, come i cicloni tropicali. Hanno scoperto che molti dei modelli di apprendimento automatico puro producevano previsioni incoerenti e imprecise rispetto sia a NeuralGCM che a ECMWF-ENS. I ricercatori hanno persino confrontato NeuralGCM con modelli climatici ad alta risoluzione noti come modelli di risoluzione delle tempeste globali. NeuralGCM è stato in grado di produrre numeri e traiettorie dei cicloni tropicali più realistici in un tempo più breve.

La capacità di prevedere tali eventi è “molto importante per migliorare le capacità decisionali e le strategie di preparazione”, afferma Hosking.

Hoyer e i suoi colleghi vogliono perfezionare e adattare ulteriormente NeuralGCM. "Abbiamo lavorato sulla componente atmosferica della modellazione del sistema Terra... È forse la parte che influisce più direttamente sul tempo meteorologico quotidiano", afferma Hoyer. Aggiunge che il team vorrebbe incorporare più aspetti delle scienze della Terra nelle versioni future per migliorare ulteriormente la precisione del modello.