I ricercatori di Google DeepMind, in un articolo pubblicato su Science, hanno presentato GraphCast, un modello AI all’avanguardia in grado di effettuare previsioni meteorologiche a medio termine con un’accuratezza che il team non esita a definire senza precedenti.
GraphCast – dichiara Google – prevede le condizioni meteorologiche fino a 10 giorni prima in modo più accurato e molto più rapido rispetto al sistema di simulazione meteorologica standard del settore, l’High Resolution Forecast (HRES), prodotto dallo European Centre for Medium-Range Weather Forecasts (ECMWF).
GraphCast è anche in grado di offrire avvisi anticipati di eventi meteorologici estremi. È in grado di prevedere con grande precisione le rotte dei cicloni nel futuro, di identificare i fiumi atmosferici associati al rischio di inondazioni e di prevedere l’inizio di temperature estreme. Questa capacità secondo Google ha il potenziale di salvare vite umane grazie a una maggiore preparazione.
Per i ricercatori di Google DeepMind, GraphCast compie un significativo passo avanti nell’intelligenza artificiale per le previsioni meteorologiche, offrendo previsioni più accurate ed efficienti e aprendo la strada al supporto del processo decisionale critico per le esigenze delle nostre industrie e società.
Inoltre, grazie all’open sourcing del codice del modello di GraphCast, Google DeepMind vuole consentire agli scienziati e ai meteorologi di tutto il mondo di portare benefici a miliardi di persone nella loro vita quotidiana. GraphCast è già utilizzato dalle agenzie meteorologiche, tra cui ECMWF, che sta conducendo un esperimento live delle previsioni di questo modello sul suo sito web.
GraphCast – spiega il team – è un sistema di previsioni meteorologiche basato su machine learning e Graph Neural Network (GNN), un’architettura particolarmente utile per l’elaborazione di dati strutturati spazialmente.
Il modello di Google DeepMind fa previsioni ad alta risoluzione di 0,25 gradi di longitudine/latitudine (28 km x 28 km all’equatore). Si tratta di oltre un milione di punti griglia che coprono l’intera superficie terrestre. In ogni punto della griglia il modello prevede cinque variabili della superficie terrestre – tra cui temperatura, velocità e direzione del vento e pressione media a livello del mare – e sei variabili atmosferiche a ciascuno dei 37 livelli di altitudine, tra cui umidità specifica, velocità e direzione del vento e temperatura.
Sebbene l’addestramento di GraphCast sia stato intensivo dal punto di vista computazionale, sottolinea il team, il modello di previsione risultante è altamente efficiente. Fare previsioni a 10 giorni con GraphCast richiede meno di un minuto su una singola macchina Google TPU v4. Per fare un confronto, una previsione a 10 giorni utilizzando un approccio convenzionale, come HRES, può richiedere ore di calcolo in un supercomputer con centinaia di macchine.
In una valutazione completa delle prestazioni rispetto al sistema deterministico gold-standard, HRES, GraphCast ha fornito previsioni più accurate su oltre il 90% delle 1380 variabili di test e sui tempi di previsione (come viene illustrato nel paper su Science). Quando il team ha limitato la valutazione alla troposfera, la regione di 6-20 chilometri di altezza dell’atmosfera più vicina alla superficie terrestre, dove le previsioni accurate sono più importanti, il modello ha superato HRES nel 99,7% delle variabili di test per il tempo futuro.
Ulteriori informazioni su GraphCast sono disponibili nel post sul blog di Google DeepMind.
