Il modello di apprendimento automatico di Google DeepMind, GraphCast, ha battuto di gran lunga i metodi tradizionali di previsione del tempo nei primi test.
Prevedere il tempo con precisione è un compito difficile che diventa esponenzialmente complesso quanto più giorni nel futuro si vuole prevedere.
Ecco perché le organizzazioni meteorologiche si affidano ai più potenti supercomputer del mondo per elaborare i complessi algoritmi di previsione che ci dicono se domani pioverà o meno.
Il modello Integrated Forecasting System (IFS) utilizzato dal Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF) è considerato il modello meteorologico europeo più accurato. E GraphCast lo ha appena battuto di gran lunga.
GraficoCast è stato in grado di prevedere il tempo con 10 giorni di anticipo in modo più rapido e accurato rispetto a ECMWF in più di 90% su 1.380 obiettivi di verifica.
Sapere se è il caso di portare l'ombrello al lavoro è utile, ma prevedere con precisione gli eventi meteorologici estremi è l'ambito in cui GraphCast potrebbe avere un impatto significativo.
A settembre, quando mancavano 9 giorni all'arrivo dell'uragano Lee, gli uffici meteorologici stavano lavorando duramente per prevedere quale città avrebbe sopportato il peso della tempesta.
Il modello IFS ha fornito una previsione approssimativa del fatto che l'uragano avrebbe colpito alcune città del Nord-Est o forse le avrebbe mancate del tutto. Nel frattempo, GraphCast ha previsto che l'uragano Lee avrebbe colpito la Nuova Scozia.
Solo 3 giorni dopo, l'IFS è giunto alla stessa conclusione, che alla fine si è rivelata esatta. Immaginate il miglioramento nel dispiegamento delle risorse e dei servizi di emergenza che 3 giorni in più renderebbero possibile.
Pushmeet Kohli, vicepresidente della ricerca di Google DeepMind, ha dichiarato: "La previsione meteorologica è uno dei problemi più impegnativi su cui l'umanità ha lavorato per molto, molto tempo. E se si guarda a ciò che è accaduto negli ultimi anni con il cambiamento climatico, si tratta di un problema incredibilmente importante".
Presentiamo GraphCast: il nostro modello AI all'avanguardia che fornisce previsioni meteo a 10 giorni con una precisione senza precedenti in meno di un minuto. 🌦️
Può anche aiutare a prevedere i potenziali percorsi dei cicloni in un futuro più lontano.
Ecco come funziona. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14 novembre 2023
Come funziona?
I modelli tradizionali come l'IFS utilizzano la "previsione meteorologica numerica" (NWP). Ciò comporta la raccolta di enormi quantità di dati di sensori meteorologici che vengono poi inseriti in complesse equazioni elaborate da supercomputer.
Le equazioni vengono messe a punto da team di esperti e sono diventate sempre più precise, ma richiedono ancora molta potenza di elaborazione al computer e richiedono molto tempo per arrivare a una previsione.
Il NWP cerca essenzialmente di utilizzare algoritmi per modellare il funzionamento dell'atmosfera e prevedere cosa accadrà in seguito.
Quello che fa GraphCast è molto più semplice, ma non può essere fatto con le equazioni tradizionali.
Il modello GraphCast utilizza una previsione meteorologica basata sull'apprendimento automatico (MLWP) ed è addestrato su circa 50 anni di dati meteorologici storici.
Quindi prende questi dati e, invece di creare un modello della nostra atmosfera, cerca degli schemi nei dati. Un modello di intelligenza artificiale è in grado di trovare schemi sottili che le equazioni fisse non sono in grado di rilevare.
GraphCast esamina i dati meteo attuali e dice: "L'ultima volta che ho visto queste condizioni, la cosa successiva che è successa è stata..." e poi fa una previsione.
Il livello di dettaglio, o risoluzione, delle previsioni di GraphCast non è pari a quello dei modelli tradizionali, ma è molto più preciso e molto più veloce.
Mentre un supercomputer dovrebbe elaborare dati meteorologici per ore per fare una previsione, GraphCast può produrre un risultato in meno di un minuto su una singola macchina Google TPU v4.
L'MLWP dipende fortemente dai dati storici prodotti dai modelli NWP tradizionali, quindi non li sostituirà ancora.
Tuttavia, l'utilizzo di uno strumento come GraphCast in combinazione con i metodi attuali aiuterà a prevedere gli eventi meteorologici estremi in modo più rapido e accurato.
Google DeepMind sta rendendo GraphCast open source ed è già utilizzato da ECMWF.
