La divisione DeepMind di Google, che si dedica alla ricerca e sviluppo di algoritmi avanzati di intelligenza artificiale, ha recentemente pubblicato un articolo scientifico sulla rivista Nature per presentare GenCast, un nuovo (e precisissimo) modello per le previsioni meteorologiche.
L’obiettivo di questo modello ad alta risoluzione è fornire previsioni meteo migliori (sia sulle condizioni meteo quotidiane che sugli eventi estremi) rispetto a quello che attualmente è lo strumento più preciso, ovvero l’ENS dell’ECMWF (Centro europeo per le previsioni meteorologiche a medio termine), spingendosi fino a 15 giorni in anticipo.
Indice:
Segui Google Italia su Telegram, ricevi news e offerte per primo
La divisione DeepMind di Google annuncia GenCast
Come anticipato in apertura, il team di Google DeepMind ha pubblicato sulla rivista Nature un articolo scientifico, intitolato “Probabilistic weather forecasting with machine learning” (lett. “Previsioni meteorologiche probabilistiche con apprendimento automatico”), per svelare al mondo il nuovo modello GenCast per le previsioni meteo.
GenCast è basato su GraphCast, il precedente modello IA di previsioni meteorologiche lanciato circa un anno fa: da un modello deterministico (forniva la sola stima migliore del meteo futuro), si passa a un modello di diffusione (addestrato con quattro decenni di dati meteorologici storici dall’archivio ERA5 dell’ECMWF) che fornisce un insieme di 50 o più previsioni “possibili” e si “adatta” alla geometria sferica della Terra.
Prima di passare all’analisi dei dettagli contenuti all’interno del post pubblicato sul blog di DeepMind a corredo dell’articolo, riportiamo l’astratto dell’articolo, firmato da Ilan Price e Matthew Wilson della divisione DeepMind di Google, pubblicato sulla rivista Nature:
Le previsioni meteorologiche sono fondamentalmente incerte, quindi prevedere la gamma di possibili scenari meteorologici è cruciale per decisioni importanti, dall’avvertire il pubblico su condizioni meteorologiche pericolose alla pianificazione dell’uso di energia rinnovabile.
Tradizionalmente, le previsioni meteorologiche si sono basate sulla previsione numerica del tempo (NWP)1, che si basa su simulazioni dell’atmosfera basate sulla fisica. I recenti progressi nella previsione meteorologica basata sull’apprendimento automatico (MLWP) hanno prodotto modelli basati su ML con un errore di previsione inferiore rispetto alle singole simulazioni NWP2,3. Tuttavia, questi progressi si sono concentrati principalmente su previsioni singole e deterministiche che non riescono a rappresentare l’incertezza e a stimare il rischio. Nel complesso, MLWP è rimasto meno accurato e affidabile delle previsioni ensemble NWP all’avanguardia.
Qui introduciamo GenCast, un modello meteorologico probabilistico con maggiore abilità e velocità rispetto alla migliore previsione meteorologica operativa a medio raggio al mondo, ENS, la previsione ensemble del Centro europeo per le previsioni meteorologiche a medio termine4. GenCast è un metodo di previsione meteorologica ML, addestrato su decenni di dati di rianalisi. GenCast genera un insieme di previsioni globali stocastiche a 15 giorni, a passi di 12 ore e risoluzione latitudine-longitudine di 0,25°, per oltre 80 variabili superficiali e atmosferiche, in 8 minuti. Ha una maggiore abilità rispetto a ENS sul 97,2% dei 1.320 obiettivi che abbiamo valutato e prevede meglio gli eventi meteorologici estremi, le tracce dei cicloni tropicali e la produzione di energia eolica. Questo lavoro contribuisce ad aprire il prossimo capitolo nelle previsioni meteorologiche operative, in cui le decisioni cruciali dipendenti dal meteo vengono prese in modo più accurato ed efficiente.
GenCast vuole stabilire un nuovo standard per le previsioni meteo
Stando a quanto riferito, GenCast risulta più preciso dello strumento ENS nella maggior parte delle previsioni a breve termine e di quasi tutte le previsioni a lungo termine (oltre 36 ore): l’obiettivo dichiarato è quello di “stabilire un nuovo standard per le previsioni meteorologiche“.
Inoltre, il nuovo modello di Google DeepMind risulta molto più efficiente, producendo previsioni in pochi minuti su un singolo chip TPU v5 (mentre l’ENS richiede ore di computazione su un supercomputer).
La seguente immagine mostra un grafico di confronto tra GenCast e l’ENS circa la precisione nella previsione di condizioni meteorologiche estreme come ondate di calore (grafico sinistra) e forti venti (grafico di destra).
Previsioni meteorologiche avanzate anche per gli eventi più estremi
Oltre alle ondate di calore e ai forti venti, GenCast è in grado da fornire previsioni precise anche per altri eventi meteorologici estremi, come uragani e tifoni, tracciandone le traiettorie e aiutando a identificare le zone più a rischio con largo anticipo.
La seguente immagine mostra la gamma di possibili traiettorie per il tifone Hagibis: si parte da sette giorni di anticipo e, andando avanti, la distribuzione delle traiettorie previste si restringe, divenendo sempre più accurata (fino alla previsione a un giorno).
I modelli “tradizionali” servono ai modelli basati sull’IA
GenCast è solo uno dei tanti modelli meteorologici basati sull’IA sviluppati da Google. Questi modelli, che includono anche previsioni a medio raggio e modelli per precipitazioni, incendi boschivi, inondazioni e calore estremo, stanno già migliorando le esperienze degli utenti sulla ricerca Google e su Google Maps.
Nonostante i progressi dell’intelligenza artificiale, secondo Big G rimangono fondamentali i modelli meteorologici “tradizionali”, perché forniscono i dati necessari per addestrare i modelli di IA e definiscono le condizioni iniziali per le previsioni.
Google sottolinea anche l’importanza della collaborazione con le agenzie meteorologiche e vede l’IA come uno strumento complementare ai metodi tradizionali, con l’obiettivo comune di migliorare le previsioni meteorologiche a beneficio della società.
Per maggiori informazioni su GenCast, vi rimandiamo all’articolo pubblicato sulla rivista Nature e al post pubblicato sul blog di Google DeepMind. Inoltre, il colosso di Mountain View ha reso open source il modello, pubblicando il codice sorgente sul portale GitHub e i “weights” (pesi, i parametri appresi dal modello durante l’addestramento) su Google Cloud.