Incontra GraphCast di DeepMind Un balzo in avanti nella previsione del tempo basata sull’apprendimento automatico’.

Incontra GraphCast di DeepMind Un'incredibile svolta nella previsione del tempo grazie all'apprendimento automatico

In un significativo sviluppo nella tecnologia di previsione del tempo, Google DeepMind ha introdotto GraphCast, un innovativo modello di machine learning. Questo strumento di intelligenza artificiale segna un avanzamento sostanziale, offrendo previsioni più accurate e rapide rispetto ai metodi esistenti, sfidando la supremazia dei modelli convenzionali di previsione meteorologica numerica (NWP).

Rivoluzionare la previsione del tempo

GraphCast funziona in modo efficiente su un computer desktop, in netto contrasto con i modelli NWP che si basano su supercomputer, che richiedono una grande quantità di energia e costi elevati. Il modello di intelligenza artificiale, descritto su Science il 14 novembre, sfrutta i dati meteorologici passati e presenti per prevedere rapidamente le condizioni meteorologiche future.

• Google AI presenta AltUp
• Segnalare contenuti nocivi utilizzando il rilevamento di tossicità di Amazon Comprehend
• Può l’autoformalizzazione colmare il divario tra linguaggio informale e formale? Incontra MMA un dataset multilingue e multi-dominio che sta rivoluzionando il campo.

Questa innovazione arriva in un momento in cui la previsione accurata del tempo è sempre più importante, date le sfide globali poste dai cambiamenti climatici e dagli eventi meteorologici estremi. I modelli NWP tradizionali, sebbene accurati, richiedono risorse computazionali considerevoli per mappare il movimento di calore, aria e vapore acqueo nell’atmosfera.

I vantaggi di GraphCast rispetto ai modelli convenzionali

Sviluppato nel laboratorio di DeepMind a Londra, GraphCast è stato addestrato utilizzando dati meteorologici globali storici dal 1979 al 2017. Utilizza questo vasto set di dati per comprendere le correlazioni tra vari elementi meteorologici come temperatura, umidità, pressione atmosferica e vento. Le sue capacità predittive si estendono fino a 10 giorni in anticipo, offrendo previsioni in meno di un minuto, un processo che richiede diverse ore con il sistema di previsione RESolution (HRES), parte del NWP del ECMWF.

In modo significativo, nella troposfera, lo strato atmosferico più vicino alla superficie terrestre, GraphCast supera il sistema HRES in oltre il 99% di 12.000 misurazioni. Prevede accuratamente cinque variabili meteorologiche vicino alla superficie terrestre e sei variabili atmosferiche alle altitudini superiori. Questa competenza si estende anche alla previsione di eventi meteorologici estremi, tra cui cicloni tropicali e fluttuazioni estreme di temperatura.

Un vantaggio comparativo

La superiorità di GraphCast non è solo rispetto ai modelli convenzionali, ma si distingue anche tra gli approcci basati sull’intelligenza artificiale. Rispetto al modello Pangu-weather di Huawei, GraphCast ha mostrato migliori prestazioni nel 99% delle previsioni meteorologiche, secondo uno studio precedente di Huawei. Tuttavia, è importante notare che valutazioni future utilizzando differenti metriche potrebbero arrecare risultati diversi.

Conclusioni

GraphCast rappresenta un passo trasformativo nella previsione del tempo, offrendo previsioni rapide e accurate con minori richieste computazionali. Man mano che la tecnologia evolve e supera le sue attuali limitazioni, promette di aiutare in modo significativo gli studi meteorologici e le decisioni del mondo reale legate alle attività dipendenti dal tempo. Con due o cinque anni stimati prima della sua integrazione nelle applicazioni pratiche, GraphCast apre la strada a una nuova era nella previsione del tempo, combinando metodi tradizionali con la potenza innovativa dell’intelligenza artificiale.