Graphcast: modello previsionale Google basato su AI fino a 10 giorni

[glozzi]

Questa è un'obiezione che ho concepito anch'io, ma la risposta è che il modello è addestrato anche sulla base delle reanalisi recenti, e potrebbe essere implementata nell'algoritmo l'esecuzione di analisi statistiche specifiche per le reanalisi degli ultimissimi anni.
Per fare un esempio: un evento che fino al 2010, con le medie 1981-2010 e la varianza del tempo, aveva la probabilità di avvenire del 20%, potrebbe essere ricalcolato focalizzandosi sulle medie e sulla varianza degli ultimi 10 anni, restituendo così una probabilità che oggi avvenga del 40%. In questo modo miglioreresti di molto la chance di prevedere determinati eventi sulla base di quelli che sono i dati più recenti.
Non sarà mai qualcosa di completo e definitivo, perchè il clima è in mutamento, ma permetterebbe di migliorare le stime sensibilmente.

Bisogna vedere se l'accelerazione di tali di tali cambiamenti non è direttamente proporzionale, le conseguenze di tali cambiamenti non possono essere identificati in un numero, perché subentrano tantissime variabili che non sono immaginabili perché non lo abbiamo mai sperimentato
Si avrà un'elaborazione di calcolo molto più veloce e non ci sono dubbi, i dubbi mi vengono e molti sulla precisione di tale calcoli.
Tutte le previsioni sui mutamenti sono state tutte sballate, perché si inseriscono dati su medie vecchie prendere una trentennale di riferimento oggi mi lascia alquanto perplesso

Inviato dal mio SM-A307FN utilizzando Tapatalk

[jupiter]

Non c'è paragone in termini di potenza di calcolo, potresti farla sul PC di casa praticamente.
La parte pesante dal punto di vista computazionale è il training, che però andrebbe fatta solo per aggiornare il modello.


Però la fase di acquisizione dei dati e inizializzazione resta la stessa, quindi in termini di tempi sulla singola emissione rimane qualche ora non comprimibile a partire dall'orario di inizializzazione, anche se la fase di calcolo verrebbe tagliata drasticamente.

Il training del modello ha girato su 32 unità di calcolo TPU (Tensor Process Unit) Google Cloud specializzate nel calcolo di inferenza del machine learning, praticamente lo eseguono a livello di microcodice. Costano $3.22 l'ora per chip.

jupiter

[snowaholic]

Il training del modello ha girato su 32 unità di calcolo TPU (Tensor Process Unit) Google Cloud specializzate nel calcolo di inferenza del machine learning, praticamente lo eseguono a livello di microcodice. Costano $3.22 l'ora per chip.

jupiter

Giusto, però ci ha messo 4 settimane

[snowaholic]

Questa è un'obiezione che ho concepito anch'io, ma la risposta è che il modello è addestrato anche sulla base delle reanalisi recenti, e potrebbe essere implementata nell'algoritmo l'esecuzione di analisi statistiche specifiche per le reanalisi degli ultimissimi anni.
Per fare un esempio: un evento che fino al 2010, con le medie 1981-2010 e la varianza del tempo, aveva la probabilità di avvenire del 20%, potrebbe essere ricalcolato focalizzandosi sulle medie e sulla varianza degli ultimi 10 anni, restituendo così una probabilità che oggi avvenga del 40%. In questo modo miglioreresti di molto la chance di prevedere determinati eventi sulla base di quelli che sono i dati più recenti.
Non sarà mai qualcosa di completo e definitivo, perchè il clima è in mutamento, ma permetterebbe di migliorare le stime sensibilmente.

Premesso che questi modelli sono di difficile interpretazione, sostanzialmente sono blackbox in cui non si capisce come e perché producano un determinato risultato, in linea teorica dovrebbe tenere conto degli effetti del riscaldamento globale anche se non viene esplicitamente tenuto in considerazione nella modellizzazione. Avendo a disposizione nel training set anni con un bilancio termico molto diverso, il modello può imparare le differenze sia a livello termico sia circolatorio tra gli anni più caldi e meno caldi e applicarle alle previsioni in base al tipo di inizializzazione che viene fornita.

In pratica, nel momento in cui riceve uno stato iniziale come input, il GW sarà implicitamente già presente nel livello termico medio di partenza del run e il modello si comporterà di conseguenza.


Se come penso questa interpretazione è corretta, basterà continuare ad aggiornare il dataset di addestramento per evitare che il modello si ritrovi ad operare in condizioni troppo lontane da quelle di addestramento, senza che servano ulteriori correttivi.

[glozzi]

Premesso che questi modelli sono di difficile interpretazione, sostanzialmente sono blackbox in cui non si capisce come e perché producano un determinato risultato, in linea teorica dovrebbe tenere conto degli effetti del riscaldamento globale anche se non viene esplicitamente tenuto in considerazione nella modellizzazione. Avendo a disposizione nel training set anni con un bilancio termico molto diverso, il modello può imparare le differenze sia a livello termico sia circolatorio tra gli anni più caldi e meno caldi e applicarle alle previsioni in base al tipo di inizializzazione che viene fornita.

In pratica, nel momento in cui riceve uno stato iniziale come input, il GW sarà implicitamente già presente nel livello termico medio di partenza del run e il modello si comporterà di conseguenza.


Se come penso questa interpretazione è corretta, basterà continuare ad aggiornare il dataset di addestramento per evitare che il modello si ritrovi ad operare in condizioni troppo lontane da quelle di addestramento, senza che servano ulteriori correttivi.

Ed i dubbi sono tutti li in quello che hai detto, non puoi fare una media sul GW perché non è direttamente proporzionale con il passare degli anni e nemmeno inversamente proporzionale, sfugge ad ogni logica di calcolo, visto che tutte le previsioni in merito sono state ampiamente sbagliate, si continua a trattare la materia con dei dati e valori che sono suffragati dal nulla, solo teoria ipotetica, vengono solo accelerati i calcoli come farà il computer quantistico.

Inviato dal mio SM-A307FN utilizzando Tapatalk

[Marcoan]

Ma veramente vogliamo pensare che un modello che gira su reanalisi e dati STATISTICI possa dare migliori risultati dei modelli deterministici che girano su dati in imput REALI ?...mi fermo qua va.

[faggio58]

Ma veramente vogliamo pensare che un modello che gira su reanalisi e dati STATISTICI possa dare migliori risultati dei modelli deterministici che girano su dati in imput REALI ?...mi fermo qua va.

Probabilmente ci sono cose interessanti in ogni nuovo approcio al problema, se fosse una ciofeca a priori ecmwf non si sarebbbe preso la briga di testarlo.

[snowaholic]

Ma veramente vogliamo pensare che un modello che gira su reanalisi e dati STATISTICI possa dare migliori risultati dei modelli deterministici che girano su dati in imput REALI ?...mi fermo qua va.

Mi sa che non hai capito come funzionano Marco, i modelli come graphcast usano esattamente gli stessi dati reali in input dei GM, in particolare graphcast utilizza quelli di ECMWF.

Se ottengono risultati migliori o no lo vedremo dagli studi scientifici pubblicati in merito, per ora sembra che effettivamente siano superiori nonostante siano ancora in fase sperimentale.

[Tarcii]

Ma veramente vogliamo pensare che un modello che gira su reanalisi e dati STATISTICI possa dare migliori risultati dei modelli deterministici che girano su dati in imput REALI ?...mi fermo qua va.

Mi chiedo perché sia necessario a priori criticare questo approccio, se lo studiano avranno trovato delle potenzialità. Anche a me sembra molto strano ma alla fine è un mezzo in più per la previsione, il determinismo difficilmente potrà raggiungere un livello di accuratezza molto maggiore di quello odierno, dato che le equazioni differenziali per un sistema non lineare come l'atmosfera sono soggette a modellizzazioni e approssimazioni, oltretutto con un processo che viene iterato per tutta la corsa del modello.

Studiare il comportamento atmosferico dal punto di vista statistico potrebbe aiutare a raggiungere previsioni più accurate, andando a cercare situazioni simili in database del passato, pure soggetti al limite delle approssimazioni.

È un po' quello che succede anche in meccanica quantistica, l'equazione di Schrödinger spiega il comportamento dell'elettrone dell'idrogeno ed è risolvibile esattamente, mentre per tutti gli altri atomi è necessario approssimare statisticamente il comportamento degli elettroni, anche osservando cosa accade realmente, ma ciò non rende questa teoria meno valida, a meno che non si dimostri inaffidabile, cosa che per i modelli meteo statistici non potremmo sapere senza effettivamente provarli.

[Musin]

In sequenza 28 novembre 00 nei run 00 e 12 di ieri e 00 di oggi








La storia è nota, l'unica cosa che cambia sono le condizioni iniziali di 12 ore in 12 ore. Per ora sarà pure più performante ma deve ancora imparare molto se le differenze sono queste.