Google ha presentato NeuralGCM, un modello ibrido di previsione meteorologica che combina l'apprendimento automatico con le tecniche di previsione tradizionali e presenta vantaggi sorprendenti.
La previsione meteorologica ha registrato notevoli miglioramenti nell'accuratezza delle previsioni, ma le tecniche tradizionali richiedono grandi risorse di calcolo per eseguire algoritmi sempre più complessi.
I modelli di circolazione generale (GCM) sono alla base delle previsioni climatiche e meteorologiche che ci permettono di sapere se domani avremo bisogno di un ombrello.
I GCM sono simulatori fisici che utilizzano equazioni matematiche basate sulle leggi della fisica per simulare come l'aria, l'acqua e l'energia si muovono sul pianeta.
I tipici GCM dividono la superficie terrestre in una griglia di celle fino a 100 chilometri, come una gigantesca scacchiera. L'algoritmo elabora ogni casella con un approccio graduale per prevedere il probabile cambiamento delle condizioni atmosferiche.
Le equazioni alla base dei GCM sono incredibilmente complesse e tengono impegnati alcuni dei più grandi supercomputer del mondo.
I modelli di apprendimento automatico (ML) per la previsione del tempo hanno mostrato un potenziale significativo, ma sono principalmente basati sui dati.
Un modello di previsione meteorologica ML ha una grande idea dei dati meteorologici storici, ma non ha la comprensione intrinseca delle leggi fisiche che governano l'atmosfera e che sono modellate in un GCM.
I modelli ML sono veloci e possono fornire previsioni accurate a breve termine, ma spesso hanno difficoltà con la stabilità a lungo termine e con rari eventi meteorologici estremi o scenari climatici futuri.
NeuralGCM, sviluppato da un team di Google Research, combina l'accuratezza e le capacità di previsione a lungo termine dei GCM tradizionali con la migliore risoluzione, efficienza e velocità dei modelli ML.
NeuralGCM è disponibile gratuitamente e non vediamo l'ora di vedere come gli scienziati lo svilupperanno.
Per maggiori dettagli, consultate il mio post sul blog che descrive il lavoro e il nostro codice open source:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22 luglio 2024
Il documento afferma che l'accuratezza di NeuralGCM è paragonabile o migliore rispetto agli attuali modelli GCM all'avanguardia. Il documento afferma che NeuralGCM è "il primo modello basato sull'apprendimento automatico a fare previsioni meteorologiche d'insieme accurate, con un CRPS migliore rispetto ai modelli basati sulla fisica più avanzati".
Il CRPS è un punteggio che confronta le previsioni del tempo con il tempo effettivo che si è verificato.
I ricercatori affermano che "NeuralGCM è competitivo con i modelli ad apprendimento automatico per le previsioni da uno a dieci giorni e con l'ensemble di previsioni del Centro europeo per le previsioni meteorologiche a medio raggio per le previsioni da uno a quindici giorni".
Sebbene NeuralGCM ottenga risultati di previsione paragonabili a quelli dei GCM, è di ordini di grandezza meno intensivo dal punto di vista computazionale e molto meno complesso.
La carta non dice quanto sia grande NeuralGCM ma offre il modello di previsione meteorologica ML di Google GraficoCast come confronto.
GraphCast è composto da circa 5.417 righe, mentre il modello atmosferico FV3 della National Oceanic and Atmospheric Administration (NOAA) conta circa 376.578 righe di codice.
I ricercatori affermano che NeuralGCM consente "un risparmio di risorse computazionali da 3 a 5 ordini di grandezza".
Per contestualizzare questo dato, il documento spiega che "NeuralGCM-1.4° simula 70.000 giorni di simulazione in 24 ore utilizzando una singola unità di elaborazione tensoriale, contro i 19 giorni simulati su 13.824 core di unità di elaborazione centrale con X-SHiELD", che è un modello di previsione meteorologica ad alta risoluzione.
I ricercatori affermano che i risultati dimostrano che il loro modello ha notevoli capacità di modellazione del clima. Nel documento si legge che "i modelli NeuralGCM addestrati su previsioni di 72 ore sono in grado di effettuare simulazioni realistiche su più anni".
Combinare l'apprendimento automatico con i modelli fisici tradizionali, come ha fatto Google con le previsioni meteorologiche, "ha il potenziale di trasformare la simulazione per una vasta gamma di applicazioni, come la scoperta dei materiali, il ripiegamento delle proteine e la progettazione ingegneristica multifisica".
L'Intelligenza Artificiale, affamata di risorse, ha visto i centri di elaborazione dati essere oggetto di un'ampia critiche per le loro emissioni di carbonio e il potenziale impatto sul clima.
NeuralGCM è un buon esempio di come l'IA potrebbe avere un impatto positivo sull'ambiente, sostituendo o aumentando i processi tradizionali inefficienti per ridurre il consumo di potenza di calcolo.
