Gli algoritmi alla base di strumenti di intelligenza artificiale generativa come DallE, se combinati con dati basati sulla fisica, possono essere utilizzati per sviluppare modi migliori per modellare il clima della Terra. Gli informatici di Seattle e San Diego hanno ora utilizzato questa combinazione per creare un modello in grado di prevedere i modelli climatici su un periodo di 100 anni 25 volte più velocemente rispetto allo stato dell’arte.
Nello specifico, il modello, chiamato Spherical DYffusion, può proiettare 100 anni di modelli climatici in 25 ore, una simulazione che richiederebbe settimane per altri modelli. Inoltre, i modelli all’avanguardia esistenti devono essere eseguiti su supercomputer. Questo modello può essere eseguito su cluster GPU in un laboratorio di ricerca.
“I modelli di deep learning basati sui dati sono sul punto di trasformare la modellazione meteorologica e climatica globale”, scrivono i ricercatori dell’Università della California a San Diego e dell’Allen Institute for AI.
Il gruppo di ricerca presenterà il proprio lavoro alla conferenza NeurIPS 2024, dal 9 al 15 dicembre a Vancouver, in Canada.
Le simulazioni climatiche sono attualmente molto costose da generare a causa della loro complessità. Di conseguenza, scienziati e politici possono eseguire simulazioni solo per un periodo di tempo limitato e considerare solo scenari limitati.
Una delle intuizioni chiave dei ricercatori è stata che i modelli di intelligenza artificiale generativa, come i modelli di diffusione, potrebbero essere utilizzati per proiezioni climatiche complessive. Lo hanno combinato con un operatore neurale sferico, un modello di rete neurale progettato per funzionare con i dati su una sfera.
Il modello risultante inizia con la conoscenza dei modelli climatici e quindi applica una serie di trasformazioni basate sui dati appresi per prevedere i modelli futuri.
“Uno dei principali vantaggi rispetto a un modello di diffusione convenzionale (DM) è che il nostro modello è molto più efficiente. Potrebbe essere possibile generare previsioni altrettanto realistiche e accurate con i DM convenzionali, ma non con tale velocità”, scrivono i ricercatori.
Oltre a funzionare molto più velocemente rispetto allo stato dell’arte, il modello è anche quasi altrettanto accurato senza essere neanche lontanamente costoso dal punto di vista computazionale.
Ci sono alcune limitazioni al modello che i ricercatori mirano a superare nelle sue prossime iterazioni, come l’inclusione di più elementi nelle loro simulazioni. I prossimi passi includono la simulazione di come l’atmosfera risponde alla CO2.
“Abbiamo emulato l’atmosfera, che è uno degli elementi più importanti in un modello climatico”, ha affermato Rose Yu, membro della facoltà del Dipartimento di Informatica e Ingegneria dell’UC San Diego e uno degli autori senior dell’articolo.
Il lavoro nasce da uno stage che uno dei dottorandi di Yu. studenti, Salva Ruhling Cachay, hanno fatto presso l’Allen Institute for AI (Ai2).
Da un’altra testata giornalistica. news de www.sciencedaily.com
