L’IA sta superando la nostra migliore tecnologia di previsione del tempo, grazie a DeepMind
L'intelligenza artificiale sta superando il nostro attuale sistema di previsione meteorologica, grazie a DeepMind.
I dati di una simulazione di decadi chiamata ERA5 vengono utilizzati nella rete grafica GraphCast come un insieme di misure in un punto specifico. Attraversando il grafico, GraphCast prevede la prossima misurazione per quel punto e per i suoi vicini.
I climatologi hanno passato decenni a raccogliere dati su come il clima è cambiato in punti diversi del globo. Progetti come ERA5, una registrazione del clima fino al 1950, sviluppata dal Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), sono una sorta di simulazione della Terra nel tempo, una registrazione della velocità del vento, della temperatura, della pressione atmosferica e di altre variabili, ora per ora.
DeepMind di Google sta celebrando questa settimana ciò che chiama un punto di svolta nell’utilizzo di tutti questi dati per effettuare previsioni economiche del tempo. Utilizzando un singolo chip AI, l’unità di elaborazione tensoriale (TPU) di Google, gli scienziati di DeepMind sono riusciti ad avviare un programma in grado di prevedere le condizioni meteorologiche in modo più accurato rispetto a un modello tradizionale eseguito su un supercomputer.
Inoltre: Secondo Google’s DeepMind, meno è meglio quando si tratta di IA
L’articolo di DeepMind è pubblicato nel numero della prossima settimana della rivista scientifica Science, accompagnato da un articolo dello staff che paragona l’articolo a una parte di una “rivoluzione” nella previsione del tempo.
- 4 Migliori Offerte per iPad nel Black Friday
- Questi auricolari per la traduzione sono solo $90 al momento.
- Best Buy svela i piani per il Black Friday con vendite in tutto il ...
Da notare, GraphCast, come viene chiamato il programma, non sostituisce i modelli tradizionali di previsione, secondo l’autore principale Remi Lam e i suoi colleghi di DeepMind. Invece, lo vedono come un potenziale “complemento” ai metodi esistenti. Infatti, l’unico motivo per cui GraphCast è possibile è perché gli scienziati del clima hanno sviluppato gli algoritmi esistenti che sono stati utilizzati per “ri-analizzare”, cioè tornare indietro nel tempo e compilare i enormi dati giornalieri di ERA5. Senza quel preciso sforzo per creare un modello climatico del mondo, non ci sarebbe GraphCast.
La sfida che Lam e il suo team hanno affrontato è stata quella di prendere alcuni dei dati meteorologici di ERA5 e vedere se il loro programma, GraphCast, potesse prevedere meglio alcuni dati invisibili rispetto allo standard di riferimento per la previsione del tempo, un sistema chiamato HRES, anch’esso sviluppato dall’ECMWF.
HRES, acronimo di High RESolution Forecast, prevede il tempo per i successivi 10 giorni in tutto il mondo, utilizzando un’ora di lavoro, per un’area di circa 10 chilometri quadrati. L’HRES è reso possibile grazie a modelli matematici sviluppati nel corso di decenni da ricercatori. L’HRES è “migliorato da esperti altamente qualificati”, che – sebbene preziosi – “possono richiedere molto tempo e costare molto,” scrivono Lam e il suo team, e che comportano l’utilizzo di supercomputer multimilionari.
Inoltre: Perché la visualizzazione dell’IA di DeepMind è assolutamente inutile
La domanda è se una forma di IA di apprendimento approfondito possa eguagliare il modello creato da scienziati umani con un modello generato automaticamente.
GraphCast prende dati meteorologici come temperatura e pressione atmosferica e li rappresenta come un singolo punto per un’area quadrata del globo. Quel punto individuale è collegato alle condizioni meteorologiche delle aree circostanti da ciò che viene chiamato “archi”. Immaginate il grafo sociale di Facebook, in cui ogni persona è un punto e sono collegati agli amici da una linea. L’atmosfera terrestre diventa una massa di punti, ogni area quadrata collegata da linee che rappresentano come il tempo di ciascuna area è correlato a quello delle aree vicine.
Ecco il “grafico” in GraphCast. Tecnicamente, si tratta di un’area ben consolidata dell’intelligenza artificiale chiamata rete neurale grafica. Una rete neurale viene addestrata per individuare come i punti e le linee si relazionano e come tali relazioni possono cambiare nel tempo.
Armato della rete neurale GraphCast, Lam e il suo team hanno inserito i dati su pressione atmosferica, temperatura, velocità del vento, ecc. di 39 anni provenienti dai dati ERA5 e hanno poi misurato quanto bene riuscisse a prevedere cosa sarebbe accaduto successivamente durante un periodo di 10 giorni, confrontandolo con i programmi HRES.
Inoltre: Ho sostituito l’app meteo del mio telefono con questa stazione meteorologica da 340$. Ecco perché
Sono necessari un mese e 32 chip TPU che lavorano insieme per addestrare GraphCast sui dati ERA5; questo è il processo di addestramento in cui i parametri della rete neurale, o “pesi” neurali, vengono regolati fino a raggiungere un punto in cui possono fare predizioni affidabili. Successivamente, un gruppo dei dati ERA5 che è stato messo da parte, i cosiddetti “dati hold-out”, viene alimentato nel programma per verificare se il GraphCast addestrato può predire come cambieranno i punti dati durante dieci giorni, prevedendo efficacemente il meteo all’interno di questi dati simulati.
“GraphCast supera significativamente” HRES nell’90% dei compiti di previsione, osservano gli autori. GraphCast è in grado di battere HRES nella previsione delle forme degli eventi di caldo e freddo estremi. Notano che HRES si comporta meglio nelle previsioni legate alla stratosfera rispetto ai cambiamenti superficiali del meteo.
È importante capire che GraphCast non sta effettivamente prevedendo il meteo in tempo reale. Ciò in cui si è dimostrato bravo è un esperimento controllato con dati meteorologici noti in precedenza, non con dati live.
Una limitazione interessante di GraphCast è che incappa in difficoltà quando supera il periodo di 10 giorni, annotano Lam e il suo team. Come scrivono, “esiste un’incertezza crescente nei tempi di previsione più lunghi”. GraphCast diventa “sfocato” quando le cose diventano più incerte. Ciò suggerisce che devono apportare modifiche a GraphCast per gestire la maggiore incertezza dei tempi più lunghi, probabilmente creando un “insieme” di previsioni che si sovrappongono. “Costruire previsioni probabilistiche che modellino l’incertezza in modo più esplicito… è un passo cruciale successivo”, scrivono Lam e il suo team.
In modo interessante, DeepMind ha grandi ambizioni per GraphCast. Non solo GraphCast fa parte di quella che si prevede diventi una famiglia di modelli climatici, ma fa parte di un interesse più ampio per la simulazione. Il programma opera su dati globali che simulano ciò che accade nel tempo. Lam e il suo team suggeriscono che altri fenomeni possono essere mappati e previsti in questo modo, non solo il meteo.
“GraphCast può aprire nuove direzioni per altri importanti problemi di previsione geo-spaziotemporale”, scrivono, “tra cui il clima e l’ecologia, l’energia, l’agricoltura, l’attività umana e biologica, così come altri sistemi dinamici complessi.”
“Crediamo che i simulatori appresi addestrati su dati del mondo reale siano fondamentali per avanzare il ruolo dell’apprendimento automatico nelle scienze fisiche.”
