Gli esperti di meteo e clima sono divisi se sia più efficace l’intelligenza artificiale o i metodi più tradizionali. In questo nuovo modello, i ricercatori di Google puntano su entrambi.
I ricercatori di Google hanno costruito un nuovo modello di previsione meteorologica che combina l’apprendimento automatico con tecniche più convenzionali, in grado di fornire previsioni accurate a una frazione del costo attuale.
Il modello, chiamato NeuralGCM e descritto in un articolo pubblicato oggi su Nature, colma un divario che è cresciuto tra gli esperti di previsioni meteorologiche negli ultimi anni.
Sebbene le nuove tecniche di apprendimento automatico che prevedono le condizioni meteorologiche imparando da anni di dati passati siano estremamente veloci ed efficienti, possono avere difficoltà con le previsioni a lungo termine. I modelli di uso tradizionale, invece, che hanno dominato le previsioni meteorologiche negli ultimi 50 anni, utilizzano equazioni complesse per modellare i cambiamenti nell’atmosfera e fornire proiezioni accurate, ma sono estremamente lenti e costosi da eseguire. Gli esperti sono divisi su quale strumento sarà più affidabile in futuro. Il nuovo modello di Google cerca invece di combinare le due cose.
“Non si tratta di una sorta di fisica contro IA. Si tratta di fisica e IA insieme”, afferma Stephan Hoyer, ricercatore di IA presso Google Research e coautore dell’articolo.
Il sistema utilizza ancora un modello convenzionale per elaborare alcuni dei grandi cambiamenti atmosferici necessari per fare una previsione. Poi incorpora l’intelligenza artificiale, che tende a fare bene dove i modelli più grandi non funzionano, tipicamente per le previsioni su scale inferiori a circa 25 chilometri, come quelle che riguardano le formazioni nuvolose o i microclimi regionali (la nebbia di San Francisco, per esempio). “È qui che iniettiamo l’intelligenza artificiale in modo molto selettivo per correggere gli errori che si accumulano su piccole scale”, spiega Hoyer.
Il risultato, secondo i ricercatori, è un modello in grado di produrre previsioni di qualità più velocemente e con meno potenza di calcolo. Secondo i ricercatori, NeuralGCM è preciso quanto le previsioni da uno a 15 giorni del Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF), che è un’organizzazione partner della ricerca.
Ma la vera promessa di una tecnologia come questa non è una migliore previsione del tempo per la propria area locale, afferma Aaron Hill, professore assistente presso la Scuola di Meteorologia dell’Università dell’Oklahoma, che non è stato coinvolto in questa ricerca. Si tratta invece di eventi climatici su larga scala che sono proibitivi da modellare con le tecniche convenzionali. Le possibilità potrebbero spaziare dalla previsione dei cicloni tropicali con maggiore preavviso alla modellazione di cambiamenti climatici più complessi e lontani negli anni.
“È così intensivo dal punto di vista computazionale simulare il globo più e più volte o per lunghi periodi di tempo”, dice Hill. Ciò significa che i migliori modelli climatici sono frenati dagli alti costi della potenza di calcolo, il che rappresenta un vero e proprio ostacolo alla ricerca.
I modelli basati sull’intelligenza artificiale sono effettivamente più compatti. Una volta addestrato, in genere su 40 anni di dati meteorologici storici di ECMWF, un modello di apprendimento automatico come GraphCast di Google può funzionare con meno di 5.500 righe di codice, rispetto alle quasi 377.000 righe necessarie per il modello della National Oceanic and Atmospheric Administration, secondo il documento.
NeuralGCM, secondo Hill, sembra dimostrare che l’intelligenza artificiale può essere utilizzata per particolari elementi della modellazione meteorologica per rendere le cose più veloci, pur mantenendo i punti di forza dei sistemi convenzionali.
“Non dobbiamo buttare via tutte le conoscenze acquisite negli ultimi 100 anni sul funzionamento dell’atmosfera”, afferma. “Possiamo integrarla con la potenza dell’intelligenza artificiale e dell’apprendimento automatico”.
Hoyer afferma che l’uso del modello per prevedere il tempo a breve termine è stato utile per convalidare le sue previsioni, ma che l’obiettivo è effettivamente quello di poterlo utilizzare per modelli a più lungo termine, in particolare per il rischio di fenomeni meteorologici estremi.
NeuralGCM sarà open source. Hoyer dice di essere impaziente che gli scienziati del clima lo utilizzino nelle loro ricerche, ma il modello potrebbe essere interessante non solo per gli accademici. I commercianti di materie prime e i pianificatori agricoli pagano fior di quattrini per avere previsioni ad alta risoluzione, e i modelli utilizzati dalle compagnie assicurative per prodotti come le assicurazioni contro le inondazioni o i fenomeni atmosferici estremi stanno lottando per tenere conto dell’impatto del cambiamento climatico.
Sebbene molti degli scettici sull’IA nelle previsioni meteorologiche siano stati conquistati dai recenti sviluppi, secondo Hill il ritmo veloce è difficile da tenere per la comunità di ricerca. “Sembra che Google, Nvidia o Huawei rilascino un nuovo modello ogni due mesi. Questo rende difficile per i ricercatori individuare quali dei nuovi strumenti saranno più utili e richiedere di conseguenza le sovvenzioni per la ricerca.
“L’appetito c’è [per l’IA]”, dice Hill. “Ma credo che molti di noi stiano ancora aspettando di vedere cosa succederà”.
