Google DeepMind AI fornisce previsioni meteo a 10 giorni estremamente precise

Quest'anno è stato una parata senza sosta di eventi meteorologici estremi. Un calore senza precedenti ha invaso il globo. Quest'estate era il più caldo della Terra dal 1880. Dalle improvvise inondazioni in California alle tempeste di ghiaccio in Texas fino ai devastanti incendi a Maui e in Canada, gli eventi meteorologici hanno colpito profondamente vite e comunità.

Ogni secondo conta quando si tratta di prevedere questi eventi. L’intelligenza artificiale potrebbe aiutare.

Questa settimana, Google DeepMind ha rilasciato un'IA che fornisce previsioni meteorologiche a 10 giorni con precisione e velocità senza precedenti. Chiamato GraphCast, il modello può sfogliare centinaia di punti dati relativi al meteo per una determinata posizione e generare previsioni in meno di un minuto. Quando viene messa alla prova con oltre mille potenziali modelli meteorologici, l’intelligenza artificiale batte i sistemi all’avanguardia circa il 90% delle volte.

Ma GraphCast non si limita a creare un'app meteo più accurata per la scelta degli armadi.

Sebbene non sia stata esplicitamente addestrata a rilevare modelli meteorologici estremi, l’intelligenza artificiale ha rilevato diversi eventi atmosferici collegati a questi modelli. Rispetto ai metodi precedenti, ha tracciato in modo più accurato le traiettorie dei cicloni e rilevato i fiumi atmosferici, regioni nervose nell’atmosfera associate alle inondazioni.

GraphCast ha inoltre previsto l’insorgenza di temperature estreme con largo anticipo rispetto ai metodi attuali. Con Il 2024 sarà ancora più caldo e gli eventi meteorologici estremi in aumento, le previsioni dell’intelligenza artificiale potrebbero dare alle comunità tempo prezioso per prepararsi e potenzialmente salvare vite umane.

"GraphCast è ora il sistema di previsioni meteorologiche globali a 10 giorni più accurato al mondo e può prevedere eventi meteorologici estremi più lontano nel futuro di quanto fosse possibile in precedenza", gli autori ha scritto in un post sul blog di DeepMind.

Giorni di pioggia

Prevedere l’andamento meteorologico, anche solo con una settimana di anticipo, è un problema vecchio ma estremamente impegnativo. Basiamo molte decisioni su queste previsioni. Alcuni sono radicati nella nostra vita quotidiana: dovrei prendere il mio ombrello oggi? Altre decisioni riguardano la vita o la morte, come quando emettere ordini di evacuazione o di rifugiarsi sul posto.

Il nostro attuale software di previsione si basa in gran parte su modelli fisici dell'atmosfera terrestre. Esaminando la fisica dei sistemi meteorologici, gli scienziati hanno scritto una serie di equazioni partendo da decenni di dati, che vengono poi inseriti nei supercomputer per generare previsioni.

Un esempio importante è il sistema di previsione integrato presso il Centro europeo per le previsioni meteorologiche a medio termine. Il sistema utilizza calcoli sofisticati basati sulla nostra attuale comprensione dei modelli meteorologici per produrre previsioni ogni sei ore, fornendo al mondo alcune delle previsioni meteorologiche più accurate disponibili.

Questo sistema “e le moderne previsioni meteorologiche più in generale, sono trionfi della scienza e dell’ingegneria”, ha scritto il team di DeepMind.

Nel corso degli anni, la precisione dei metodi basati sulla fisica è migliorata rapidamente, in parte grazie a computer più potenti. Ma rimangono dispendiose in termini di tempo e costose.

Ciò non sorprende. Il tempo è uno dei sistemi fisici più complessi sulla Terra. Potresti aver sentito parlare dell'effetto farfalla: una farfalla sbatte le ali e questo piccolo cambiamento nell'atmosfera altera la traiettoria di un tornado. Sebbene sia solo una metafora, cattura la complessità delle previsioni meteorologiche.

GraphCast ha adottato un approccio diverso. Dimentica la fisica, troviamo modelli solo nei dati meteorologici passati.

Un meteorologo dell'intelligenza artificiale

GraphCast si basa su un tipo di rete neurale che è stato precedentemente utilizzato per prevedere altri sistemi basati sulla fisica, come la dinamica dei fluidi.

Ha tre parti. Innanzitutto, il codificatore mappa le informazioni rilevanti, ad esempio la temperatura e l'altitudine in una determinata posizione, su un grafico complesso. Considerala come un'infografica astratta che le macchine possono facilmente comprendere.

La seconda parte è il processore che impara ad analizzare e passare le informazioni alla parte finale, il decoder. Il decodificatore traduce quindi i risultati in una mappa di previsione meteorologica del mondo reale. Complessivamente, GraphCast può prevedere i modelli meteorologici per le prossime sei ore.

Ma sei ore non sono 10 giorni. Ecco il kicker. L’intelligenza artificiale può imparare dalle proprie previsioni. Le previsioni di GraphCast vengono reimmesse in se stesso come input, consentendogli di prevedere progressivamente il tempo più lontano nel tempo. È un metodo utilizzato anche nei tradizionali sistemi di previsione meteorologica, ha scritto il team.

GraphCast è stato addestrato su quasi quattro decenni di dati meteorologici storici. Adottando una strategia “divide et impera”, il team ha diviso il pianeta in piccole zone, di circa 17 x 17 miglia all’equatore. Ciò ha comportato la copertura di oltre un milione di “punti” in tutto il mondo.

Per ogni punto, l'intelligenza artificiale è stata addestrata con dati raccolti in due momenti (uno corrente, l'altro sei ore fa) e ha incluso dozzine di variabili provenienti dalla superficie terrestre e dall'atmosfera, come temperatura, umidità, velocità e direzione del vento a molte altitudini diverse.

La formazione è stata intensiva dal punto di vista computazionale e ha richiesto un mese per essere completata.

Una volta addestrata, tuttavia, l’intelligenza artificiale stessa è altamente efficiente. Può produrre una previsione a 10 giorni con un singolo TPU in meno di un minuto. I metodi tradizionali che utilizzano i supercomputer richiedono ore di calcolo, ha spiegato il team.

Raggio di Luce

Per testare le sue capacità, il team ha confrontato GraphCast con l'attuale gold standard per le previsioni meteorologiche.

L’intelligenza artificiale era più precisa quasi il 90% delle volte. Eccelleva soprattutto quando si basava solo sui dati della troposfera, lo strato di atmosfera più vicino alla Terra e fondamentale per le previsioni meteorologiche, battendo la concorrenza nel 99.7% dei casi. Anche GraphCast ha sovraperformato Pangu-Meteo, uno dei principali modelli meteorologici concorrenti che utilizza l'apprendimento automatico.

Il team ha poi testato GraphCast in diversi scenari meteorologici pericolosi: tracciamento dei cicloni tropicali, rilevamento dei fiumi atmosferici e previsione di caldo e freddo estremi. Sebbene non addestrata su specifici “segnali di allarme”, l’intelligenza artificiale ha lanciato l’allarme prima rispetto ai modelli tradizionali.

Il modello si è avvalso anche dell'aiuto della meteorologia classica. Ad esempio, il team ha aggiunto il software esistente per il monitoraggio dei cicloni alle previsioni di GraphCast. La combinazione ha dato i suoi frutti. A settembre, l’intelligenza artificiale ha previsto con successo la traiettoria dell’uragano Lee mentre spazzava la costa orientale verso la Nuova Scozia. Il sistema prevedeva con precisione l'arrivo della tempesta con nove giorni di anticipo, tre giorni preziosi più velocemente rispetto ai metodi di previsione tradizionali.

GraphCast non sostituirà i tradizionali modelli basati sulla fisica. Piuttosto, DeepMind spera di poterli rafforzare. Il Centro europeo per le previsioni meteorologiche a medio termine sta già sperimentando il modello per vedere come potrebbe essere integrato nelle loro previsioni. DeepMind sta anche lavorando per migliorare la capacità dell'intelligenza artificiale di gestire l'incertezza, una necessità fondamentale dato il comportamento sempre più imprevedibile del tempo.

GraphCast non è l'unico meteorologo AI. I ricercatori di DeepMind e Google ne avevano precedentemente costruiti due regionale modelli che può prevedere con precisione il tempo a breve termine con 90 minuti o 24 ore di anticipo. Tuttavia, GraphCast può guardare più avanti. Se utilizzata con software meteorologici standard, la combinazione potrebbe influenzare le decisioni sulle emergenze meteorologiche o guidare le politiche climatiche. Per lo meno, potremmo sentirci più fiduciosi riguardo alla decisione di portare quell’ombrello al lavoro.

"Crediamo che questo segni un punto di svolta nelle previsioni meteorologiche", hanno scritto gli autori.

Immagine di credito: Google DeepMind

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/