Le previsioni meteorologiche devono cogliere l’intera gamma di possibilità, compresi gli scenari peggiori, che sono i più importanti da pianificare.
WeatherNext 2 può prevedere centinaia di possibili risultati meteorologici da un unico punto di partenza. Ogni previsione richiede meno di un minuto su un singolo TPU; ci vorrebbero ore su un supercomputer che utilizzi modelli basati sulla fisica.
Il nostro modello è anche molto abile e capace di previsioni ad alta risoluzione, fino all’ora. Nel complesso, WeatherNext 2 supera il nostro precedente modello WeatherNext all’avanguardia sul 99,9% delle variabili (ad esempio temperatura, vento, umidità) e tempi di consegna (0-15 giorni), consentendo previsioni più utili e accurate.
Questo miglioramento delle prestazioni è reso possibile da un nuovo approccio di modellazione AI chiamato a Rete generativa funzionale (FGN), che inietta “rumore” direttamente nell’architettura del modello in modo che le previsioni generate rimangano fisicamente realistiche e interconnesse.
Questo approccio è particolarmente utile per prevedere ciò che i meteorologi chiamano “marginali” e “giunti”. I marginali sono elementi meteorologici individuali e autonomi: la temperatura precisa in un luogo specifico, la velocità del vento ad una certa altitudine o l’umidità. La novità del nostro approccio è che il modello viene addestrato solo su questi aspetti marginali. Eppure, da quella formazione, impara a prevedere abilmente i “giunti”: sistemi grandi, complessi e interconnessi che dipendono da come tutti quei singoli pezzi si incastrano insieme. Questa previsione “congiunta” è necessaria per le nostre previsioni più utili, come l’identificazione di intere regioni colpite da un elevato calore o la produzione di energia prevista in un parco eolico.
Fonte: deepmind.google
