NeuralGCM: Un nuovo approccio per migliorare le previsioni meteo | | | | Turtles AI

Punti chiave

• NeuralGCM unisce fisica e AI: Combina la fisica atmosferica con la parametrizzazione AI per previsioni più accurate.
• Efficacia a breve e lungo termine: Competitivo per previsioni fino a 10 giorni e promettente su periodi di decenni.
• Limiti e vantaggi: Sottovaluta eventi estremi nei tropici ma offre simulazioni climatiche realistiche.
• Possibili miglioramenti futuri: Integrazione di moduli individuali e conservazione dell’energia per una modellazione climatica completa.

La nuova frontiera delle previsioni meteorologiche: come NeuralGCM unisce fisica e AI per migliorare le previsioni

Unendo la fisica atmosferica alla potenza dell’AI, NeuralGCM rappresenta un salto in avanti per la modellazione climatica. Sviluppato dal team AI di Google e il Centro Europeo per le Previsioni Meteorologiche a Medio Termine, questo modello ibrido promette accurate previsioni a breve e lungo termine.

Il modello GCM (General Circulation Model), da tempo considerato uno degli strumenti più affidabili per le previsioni meteorologiche e studi climatici, è basato su equazioni fisiche che descrivono processi atmosferici noti, supportate da parametrizzazioni empiriche per i fenomeni meno compresi. Tuttavia, i modelli GCM stanno ora affrontando una competizione crescente da parte delle tecniche di machine learning, che utilizzano l’AI per riconoscere pattern nei dati meteorologici e prevedere le condizioni future. Sebbene efficaci a breve termine, queste previsioni tendono a diventare imprecise su periodi più lunghi e mancano della capacità di affrontare i fattori a lungo termine necessari per lo studio dei cambiamenti climatici.

Il NeuralGCM rappresenta una sintesi tra l’approccio fisico e l’AI. Esso combina un "nucleo dinamico" che gestisce la fisica della convezione atmosferica su larga scala con un’AI che parametrizza altri influenze meteorologiche. Questo modello è progettato per essere computazionalmente efficiente e ha mostrato performance eccellenti nei benchmark di previsione meteorologica. Sorprendentemente, NeuralGCM è in grado di produrre risultati attendibili anche su periodi di decenni, offrendo così la possibilità di affrontare alcune questioni climatiche rilevanti.

NeuralGCM è un sistema a due parti. Il "nucleo dinamico" gestisce la fisica di base come la gravità e la termodinamica, mentre tutto il resto, inclusi fenomeni complessi come le nuvole, le precipitazioni, la radiazione solare e l’attrito sulla superficie terrestre, è gestito dall’AI. Questa AI è una monolitica, addestrata per trattare simultaneamente tutti questi processi piuttosto che attraverso moduli separati per ciascun fenomeno.

L’addestramento del sistema avviene in modo congiunto piuttosto che separato tra il nucleo fisico e l’AI. Le valutazioni delle performance e gli aggiornamenti alla rete neurale sono inizialmente effettuati a intervalli di sei ore per stabilizzare il sistema, poi estesi a cinque giorni. Il risultato è un sistema competitivo con i migliori modelli disponibili per previsioni fino a 10 giorni, spesso superando la concorrenza a seconda del parametro specifico utilizzato, come cicloni tropicali, fiumi atmosferici e la Zona di Convergenza Intertropicale. Nonostante la risoluzione inferiore rispetto ai modelli puramente AI, NeuralGCM riesce a produrre caratteristiche meno sfocate nei forecast a lungo termine, riducendo significativamente i requisiti computazionali.

Tuttavia, NeuralGCM presenta alcune limitazioni. Tende a sottovalutare gli eventi estremi nei tropici e non modella direttamente le precipitazioni, calcolando invece il bilancio tra evaporazione e precipitazione. Un vantaggio specifico di NeuralGCM è che non è limitato a previsioni a breve termine. Testato su cicli stagionali di due anni, ha riprodotto con successo le grandi caratteristiche della circolazione atmosferica, inclusi i cicloni tropicali con traiettorie realistiche.

Uno dei problemi riscontrati è l’instabilità in alcune simulazioni a lungo termine. Queste instabilità, spesso manifestate come valori che escono dai limiti, sono generalmente causate da caratteristiche geografiche insolite, come alte montagne. Nonostante ciò, una buona percentuale delle simulazioni NeuralGCM ha funzionato per decenni. In uno studio su 37 simulazioni iniziate nel 1980, 22 sono durate per 40 anni fino al presente. Il modello è stato anche testato con temperature superficiali del mare elevate, rispondendo bene a moderati aumenti di temperatura, sebbene l’AI fatichi con aumenti estremi previsti per la fine del secolo.

NeuralGCM non può essere considerato equivalente ai modelli climatici basati sui GCM. Ad esempio, i cambiamenti della temperatura del mare sono stati inseriti manualmente, e molti fattori chiave che influenzano il clima futuro, come le concentrazioni di gas serra, non sono riflessi direttamente nei dati utilizzati per l’addestramento del sistema. Tuttavia, la sua capacità di prevedere eventi meteorologici estremi sotto condizioni climatiche attuali o future lo rende un prezioso strumento di previsione.

Nel complesso, sebbene NeuralGCM abbia dimostrato notevoli miglioramenti nella previsione del tempo rispetto ai modelli tradizionali, restano molti aspetti da sviluppare. Un possibile futuro miglioramento potrebbe consistere nella sostituzione dell’AI monolitica con moduli individuali che si concentrano su diversi processi climatici. Integrare ulteriormente la parte non AI del codice per includere processi fisici essenziali come la conservazione dell’energia, potrebbe essere necessario per un modello climatico completo.