Le previsioni del tempo di oggi provengono da alcuni dei computer più potenti della Terra. Le enormi macchine eseguono milioni di calcoli per risolvere equazioni per prevedere la temperatura, vento, precipitazioni e altri eventi meteorologici. L'esigenza combinata di velocità e precisione di una previsione mette a dura prova anche i computer più moderni.

Il futuro potrebbe avere un approccio radicalmente diverso. Una collaborazione tra l'Università di Washington e Microsoft Research mostra come l'intelligenza artificiale può analizzare i modelli meteorologici passati per prevedere eventi futuri, molto più efficiente e potenzialmente un giorno più accurato della tecnologia odierna.

Il modello meteorologico globale di nuova concezione basa le sue previsioni sui dati meteorologici degli ultimi 40 anni, piuttosto che su calcoli fisici dettagliati. Il semplice, I.A. basata sui dati il modello può simulare il tempo di un anno in tutto il mondo molto più rapidamente e quasi come i modelli meteorologici tradizionali, facendo passi ripetuti simili da una previsione all'altra, secondo un articolo pubblicato questa estate sul Journal of Advances in Modeling Earth Systems.

"L'apprendimento automatico consiste essenzialmente in una versione glorificata del riconoscimento dei modelli, " ha detto l'autore principale Jonathan Weyn, che ha svolto la ricerca come parte del suo dottorato UW in scienze dell'atmosfera. "Vede uno schema tipico, riconosce come si evolve di solito e decide cosa fare in base agli esempi che ha visto negli ultimi 40 anni di dati."

Sebbene il nuovo modello sia, non sorprende, meno accurati dei principali modelli di previsione tradizionali odierni, l'attuale A.I. il design utilizza circa 7, Potenza di calcolo 000 volte inferiore per creare previsioni per lo stesso numero di punti del globo. Meno lavoro di calcolo significa risultati più rapidi.

Tale accelerazione consentirebbe ai centri di previsione di eseguire rapidamente molti modelli con condizioni di partenza leggermente diverse, una tecnica chiamata "previsione d'insieme" che consente alle previsioni meteorologiche di coprire la gamma di possibili risultati attesi per un evento meteorologico, ad esempio, dove potrebbe colpire un uragano.

"C'è molta più efficienza in questo approccio; questo è ciò che è così importante, " ha detto l'autore Dale Durran, un professore di scienze atmosferiche UW. "La promessa è che potrebbe consentirci di affrontare i problemi di prevedibilità avendo un modello abbastanza veloce da eseguire insiemi molto grandi".

Il coautore Rich Caruana di Microsoft Research si era inizialmente avvicinato al gruppo UW per proporre un progetto che utilizzasse l'intelligenza artificiale per fare previsioni meteorologiche basate su dati storici senza fare affidamento su leggi fisiche. Weyn stava frequentando un corso di informatica UW in machine learning e ha deciso di affrontare il progetto.

"Dopo l'allenamento sui dati meteorologici passati, l'A.I. l'algoritmo è in grado di elaborare relazioni tra diverse variabili che le equazioni fisiche non sono in grado di fare, " Weyn ha detto. "Possiamo permetterci di utilizzare molte meno variabili e quindi realizzare un modello molto più veloce".

Per unire l'A.I. tecniche con le previsioni del tempo, il team ha mappato sei facce di un cubo sul pianeta Terra, poi appiattito le sei facce del cubo, come in un modello di carta architettonico. Gli autori hanno trattato le facce polari in modo diverso a causa del loro ruolo unico nel tempo come un modo per migliorare l'accuratezza delle previsioni.

Gli autori hanno poi testato il loro modello prevedendo l'altezza globale della pressione di 500 ettopascal, una variabile standard nelle previsioni del tempo, ogni 12 ore per un anno intero. Un recente documento, che includeva Weyn come coautore, ha introdotto WeatherBench come test di riferimento per le previsioni meteorologiche basate sui dati. In quel test di previsione, sviluppato per previsioni a tre giorni, questo nuovo modello è uno dei migliori.

Il modello basato sui dati avrebbe bisogno di maggiori dettagli prima di poter iniziare a competere con le previsioni operative esistenti, dicono gli autori, ma l'idea si mostra promettente come approccio alternativo alla generazione di previsioni meteorologiche, soprattutto con una quantità crescente di previsioni precedenti e osservazioni meteorologiche.