Un modello di computer che combina la tecnologia di previsione meteorologica convenzionale con l'apprendimento automatico ha altri strumenti basati sull'intelligenza artificiale (KI) su Previsione di scenari meteorologici e tendenze climatiche a lungo termine Ever.

Lo strumento, che è stato descritto il 22 luglio in natura 1 Modello di apprendimento che genera previsto previste meteorologiche-quelli che rappresentano un numero di scenari. Il suo sviluppo apre le porte a previsioni più veloci e meno energetiche degli strumenti esistenti e sono più dettagliati degli approcci che si basano esclusivamente sull'intelligenza artificiale.

"I modelli climatici tradizionali devono essere realizzati su supercomputer. Questo è un modello che puoi realizzare in pochi minuti", afferma Study Mitar Stephan Hoyer, che studia a Google Research in Mountain View, California, Deep Learning.

I sistemi predittivi attuali in genere si basano su modelli di circolazione generale (GCM), programmi che si basano sulle leggi della fisica per simulare i processi negli oceani e atmosfera della Terra e prevedono come potrebbero influenzare il tempo e il clima. Tuttavia, i GCM richiedono molta potenza di calcolo e i progressi nell'apprendimento automatico offrono un'alternativa più efficiente. "Abbiamo terabyte o petabyte (un milione di volte più grande di un gigabyte) di dati meteorologici storici", afferma Hoyer. "Imparando da questi schemi, possiamo costruire modelli migliori."

Esistono già alcuni modelli di apprendimento automatico come Pangu-Weather, che è stato creato dal conglomerato tecnologico Huawei, con sede a Shenzhen, in Cina, e Graphcast di DeepMind Con sede a Londra. Questi modelli hanno livelli di accuratezza simili ai GCM tipici per le previsioni deterministiche, un approccio che genera una singola previsione meteorologica. Tuttavia, i GCM non sono così affidabili per le previsioni di ensemble o le previsioni climatiche a lungo termine.

"Il problema con gli approcci di apprendimento meccanico puro è che lo alleni solo sui dati che ha già visto", afferma Scott Hosking, che gestisce ricerche su AI e dati ambientali agli istituti di Londra. "I cambiamenti climatici continuamente, andiamo all'ignoto, quindi i nostri modelli di apprendimento automatico devono estrapolare in questo futuro sconosciuto. Integrando la fisica nel modello, possiamo assicurarci che i nostri modelli siano fisicamente limitati e non possono fare nulla di irrealistico."

Modello ibrido

Hoyer e il suo team hanno sviluppato e studiato NeuralGCM, un modello che combina "aspetti di una tradizionale procedura di prestito atmosferico basato sulla fisica con alcuni componenti di intelligenza artificiale", afferma Hoyer. Hanno usato il modello per creare previsioni meteorologiche a breve e lungo termine e proiezioni climatiche. Al fine di valutare l'accuratezza di NeuralGCM, i ricercatori hanno confrontato le sue previsioni con i dati del mondo reale e la spesa di altri modelli, tra cui GCM e quelli che si basano sull'apprendimento automatico.

Come gli attuali modelli di apprendimento automatico, NeuralGCM è stato in grado di produrre previsioni meteorologiche deterministiche precise a breve termine - tra uno e tre giorni di anticipo - consumando una frazione dell'energia richiesta per GCM. Quando si produce previsioni a lungo termine per sette giorni, tuttavia, ha commesso molti meno errori rispetto ad altri modelli di apprendimento meccanico. In effetti, le previsioni a lungo termine di NeuralGCM erano simili alle previsioni del modello di ensemble del Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF-EN), un GCM che è ampiamente considerato uno standard di riferimento per le previsioni meteorologiche.

Il team ha anche testato quanto bene il modello potrebbe prevedere diversi fenomeni meteorologici, come i cicloni tropicali. Hanno scoperto che molti dei modelli di apprendimento automatico puro hanno fornito previsioni incoerenti e imprecise rispetto sia a NeuralGCM che a ECMWF-EN. I ricercatori hanno persino confrontato NeuralGCM con modelli climatici ad alta risoluzione, noti come modelli globali di risoluzione della tempesta. NeurgCM è stato in grado di produrre numeri e traiettorie del ciclone tropicale più realistico in un tempo più breve.

La capacità di prevedere tali eventi è "così importante per migliorare le capacità decisionali e le strategie preparatorie", afferma Hosking.

Hoyer e i suoi colleghi vogliono perfezionare e adattarsi ulteriormente. "Abbiamo lavorato sulla parte atmosferica della modellazione del sistema terrestre ... è forse la parte che ha l'effetto più diretto sul tempo quotidiano", afferma Hoyer. Aggiunge che il team vuole integrare più aspetti delle scienze della terra nelle versioni future per migliorare ulteriormente l'accuratezza del modello.