Google e il Centro Europeo per le Previsioni Meteorologiche a Medio Termine (in abbreviato, ECMWF) hanno annunciato NeuralGCM, un modello di previsione meteorologica che unisce IA e fisica atmosferica. Questo sistema punta a migliorare la precisione delle previsioni meteo a breve e medio termine.
Fino ad ora, i General Circulation Models (come quello sviluppato dall’ECMWF) sono stati gli strumenti più avanzati per la previsione meteorologica. Questi modelli si basano su codici che calcolano la fisica di processi atmosferici noti, e utilizzano le cosiddette “parametrizzazioni” empiriche per quei processi di cui non hanno la piena comprensione fisica. Tuttavia, sempre di più le tecniche di apprendimento automatico stanno emergendo come concorrenti, addestrando sistemi di IA a riconoscere modelli nei dati meteorologici per prevedere le condizioni future. Nonostante il loro potenziale, le previsioni dell’IA tendono a diventare vaghe dopo pochi giorni e non gestiscono adeguatamente i fattori a lungo termine necessari per lo studio del cambiamento climatico.
NeuralGCM è diversa, infatti combina un “nucleo dinamico” che gestisce la fisica della convezione atmosferica su larga scala, con una componente AI che si occupa di elementi come nuvole, pioggia e radiazione solare. Questo sistema è stato addestrato puntando a migliorare sia la stabilità che l’accuratezza delle previsioni. Il modello, infatti, eccelle nelle previsioni fino a 10 giorni, spesso superando i migliori sistemi esistenti, e produce risultati ragionevoli anche per periodi di decenni. Tuttavia, NeuralGCM presenta anche alcuni limiti, come la sottostima degli eventi estremi ai tropici e la non modellazione diretta delle precipitazioni, calcolando invece l’equilibrio tra evaporazione e precipitazioni.
NeuralGCM ha dimostrato di poter gestire previsioni stagionali e fenomeni come i cicloni tropicali anche su periodi di due anni, nonostante alcune instabilità. Per quanto riguarda le previsioni in tempi prolungati, il modello ha presentato alcune problematiche, come valori fuori scala, specialmente in aree con caratteristiche geografiche insolite.
Gli esperti suggeriscono di sostituire l’IA monolitica di NeuralGCM con moduli specializzati per diversi processi climatici. Questo approccio potrebbe migliorare la gestione delle variabili e dei fattori che influenzano il clima. Inoltre, espandere la componente fisica del modello, inclusi processi oceanici e terrestri, potrebbe aumentare la precisione e la stabilità delle previsioni a lungo termine.
Leggi l’articolo completo: Model mixes AI and physics to do global forecasts su arstechnica.com.
Foto di Sebastian Balog su Pexels.
