IL effetto farfalla– l’idea che un battito d’ali di una farfalla in Sud America possa cambiare il corso di un tornado in Texas – è stato un modo popolare per illustrare la difficoltà di fare previsioni sul comportamento di sistemi caotici come il tempo. L’intelligenza artificiale potrebbe essere la chiave per migliorare queste previsioni.
Poiché tali sistemi sono estremamente sensibili alle loro condizioni iniziali, anche i più piccoli cambiamenti possono indirizzare il loro comportamento in direzioni inaspettate.
Cumulus congestus sull’Oceano Atlantico – foto associativa. L’intelligenza artificiale potrebbe rendere le previsioni climatiche più affidabili. Credito immagine: Tiago Fioreze via WikimediaCC BY-SA 3.0
Gli scienziati sono diventati piuttosto bravi a prevedere il tempo, almeno fino a 10 giorni nel futuro. Ma fare previsioni accurate e a lungo termine su come il clima sta cambiando rimane una sfida.
La capacità di prevedere il cambiamento climatico è importante perché può aiutare a guidare le decisioni sulla copertura assicurativa nelle aree soggette a incendi o inondazioni; può anche aiutare gli architetti a progettare edifici più sicuri e confortevoli per gli occupanti in un futuro più caldo.
La nostra capacità di modellare il cambiamento climatico è stata ostacolata dall’enorme quantità di potenza di calcolo necessaria per simulare tutti gli aspetti del clima, afferma Tapio SchneiderTheodore Y. Wu, professore di scienze e ingegneria ambientale e ricercatore senior presso il JPL, che Caltech gestisce per la NASA.
Per rendere accurato un modello climatico globale, è necessario catturare processi su piccola scala, come quelli che controllano la formazione di goccioline nelle nuvole, sull’intero pianeta. Simulare questa vasta gamma di processi rilevanti è attualmente impossibile.
Invece, i modelli climatici calcolano come si evolvono la temperatura, i venti e le correnti oceaniche su una mesh con una risoluzione orizzontale di circa 50-100 chilometri. Processi su scala più piccola, come quelli nelle nubi marine basse che contribuiscono a modellare il clima, sono rappresentati da approssimazioni approssimative chiamate parametrizzazioni.
Cambiamento climatico – impressione artistica. Credito immagine: Tumisu tramite Pixabay, licenza gratuita
Queste parametrizzazioni spesso mancano di un solido fondamento sia nei principi scientifici che nei dati.
Recentemente, un gruppo di scienziati del clima ha proposto come soluzione un progetto di modellazione climatica su vasta scala. Il progetto consisterebbe in una serie di centri che gestiscono supercomputer composti ciascuno da 200-300 scienziati. L’obiettivo sarebbe quello di creare modelli climatici con una risoluzione di 1 chilometro.
Schneider dice che potrebbe rivelarsi difficile.
“L’esecuzione di modelli climatici è enormemente costosa dal punto di vista computazionale”, afferma Schneider. “Se vuoi rendere la mesh computazionale più fine di un fattore 10 sul piano orizzontale, hai bisogno di mille volte la potenza di calcolo.”
Tapio Schneider. Credito immagine: Caltech
Schneider afferma che un progetto di questa natura metterebbe a dura prova le nostre attuali capacità computazionali e non sarebbe in grado di rappresentare i processi su piccola scala necessari per una modellazione accurata. Concentrerebbe ulteriormente le risorse tra le nazioni sviluppate più in grado di finanziare tali centri, escludendo così le nazioni in via di sviluppo, dice.
In un un documento recentemente pubblicato sulla rivista Natura Cambiamenti climatici, Schneider e altri 13 scienziati da tutto il mondo propongono di sviluppare modelli con una risoluzione moderatamente alta (decine di chilometri), fornendo una base scientifica più solida per la parametrizzazione di processi su scala più piccola, utilizzando l’apprendimento automatico (una sottodisciplina dell’intelligenza artificiale, o AI) per colmare le lacune.
Questo uso dell’intelligenza artificiale, dicono i ricercatori, creerà modelli robusti senza la necessità di giganteschi centri di calcolo.
Intelligenza artificiale (AI) – interpretazione artistica astratta. Credito immagine: Geralt tramite Pixabay, licenza gratuita
“Non è possibile risolvere le nubi marine sugli oceani tropicali a livello globale in tempi brevi perché ciò richiederà un computer circa cento miliardi di volte più veloce di quello più veloce che abbiamo”, afferma Schneider. “Quello che possiamo fare è simulare queste nuvole in piccole aree e generare dati. Questi dati possono anche fornire informazioni su un modello climatico più grossolano”.
Schneider afferma che il lavoro sui tipi di strumenti di intelligenza artificiale necessari per migliorare i modelli più grossolani è in corso proprio ora, alcuni dei quali al Caltech. Questa tecnologia potrebbe fare per i modelli climatici ciò che i dati migliori hanno fatto per i modelli meteorologici.
“Le previsioni meteorologiche sono diventate piuttosto buone negli ultimi decenni. È un po’ una storia di successo della scienza non celebrata”, afferma.
“La ragione principale per cui sono diventati abbastanza bravi è che utilizzano i dati in modo molto più estensivo rispetto al passato. In un certo senso, vogliamo ottenere lo stesso risultato per la previsione climatica. Penso che ciò possa essere ottenuto utilizzando gli strumenti di intelligenza artificiale per sfruttare i vasti dati sulla Terra che già abbiamo”.
Andrew Stuart, professore di scienze informatiche e matematiche e coautore della proposta, ha prestato la sua esperienza al lavoro di Schneider, contribuendo a costruire gli strumenti necessari per il progetto. Stuart afferma che una serie di strumenti di intelligenza artificiale mira a rendere i modelli climatici meno costosi dal punto di vista computazionale da gestire.
Ciò può essere fatto creando parametrizzazioni per modelli più grossolani, che Stuart descrive come “schizzi eccellenti” di processi fisici reali, come il comportamento delle singole nuvole. In sostanza, catturano le principali caratteristiche necessarie per prevedere gli effetti che i processi su piccola scala avranno sui processi su larga scala in una simulazione del modello globale.
Poiché sono versioni semplificate di eventi reali, devono essere sintonizzati per comportarsi come le loro controparti nella vita reale.
Anche i modelli di intelligenza artificiale più grossolani con parametrizzazione sono costosi da eseguire in termini di tempo e potenza di calcolo, e il processo di messa a punto implica che devono essere eseguiti ripetutamente finché i ricercatori non riescono a metterli a punto per produrre risultati affidabili e realistici.
“La sfida computazionale principale è eseguire la messa a punto con il minor numero di costose valutazioni del modello”, afferma Stuart.
“Lo facciamo basandoci su idee che risalgono al 1960 e a un ingegnere di nome Rudolf Kálmán; le idee si sono ora evolute in quelli che vengono chiamati filtri di Kalman ensemble. Ci consentono di fare previsioni e calibrazioni con il numero minimo di valutazioni. Vengono utilizzati nelle previsioni meteorologiche e noi li abbiamo riproposti.”
La seconda serie di strumenti di intelligenza artificiale su cui Stuart ha lavorato nell’ambito del clima rientra nell’ambito di quella che potrebbe essere comunemente definita intelligenza artificiale e, più specificamente, apprendimento automatico. Secondo lui, l’apprendimento automatico può aiutare a quantificare parte dell’incertezza insita nella modellizzazione climatica e generare nuovi dati su scale difficili da misurare.
“I modelli contengono un’enorme quantità di incertezza”, afferma Stuart. “È qui che entra in gioco il machine learning”.
L’apprendimento automatico utilizzato dal team ha somiglianze con i generatori di immagini di intelligenza artificiale come DALL-E di OpenAI. Nel caso di DALL-E, l’algoritmo di apprendimento automatico viene addestrato su un vasto insieme di immagini campione. Quindi, se gli chiedi, ad esempio, di generare l’immagine di un uomo con in mano un cono gelato al tramonto, può farlo.
Gli algoritmi di intelligenza artificiale utilizzati nella scienza del clima sono invece addestrati a generare pezzi – centinaia o migliaia – che possono essere inseriti in simulazioni più grandi per colmare le lacune mancanti.
Proprio come l’intelligenza artificiale DALL-E può evocare immagini di mele quando gli viene chiesto (perché ha imparato a identificarle), gli algoritmi utilizzati in questa ricerca possono generare modelli di processi importanti per la modellizzazione climatica, come la formazione di goccioline nelle nuvole.
Combinando processi simulati con dati del mondo reale, i ricercatori sperano di creare previsioni realistiche basate sull’intelligenza artificiale sui rapidi cambiamenti climatici della Terra, afferma Schneider.
“Possiamo utilizzare le leggi fisiche il più possibile, data la limitata potenza computazionale a nostra disposizione”, afferma. “Ciò che non possiamo simulare, possiamo impararlo dai dati”.
Scritto da Emily Velasco
Fonte: Caltech
Da un’altra testata giornalistica. news de www.technology.org