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

[jupiter]

Corretto quello che dici, sono curioso di vedere come evolve.
Solo un appunto, le condizioni iniziali sono le stesse per i due modelli, perché i dati di oggi non sono altro che le grandezze fisiche misurate ed interpolate.

Alla fine la rete neurale non fa niente altro che interpretare le carte come un appassionato qualsiasi: è uno di noi.


Inviato dal mio iPhone utilizzando Tapatalk

MeTeo72 ha centrato il punto. Come descrive bene l'articolo di Science Just a moment...
nella fase di training, il modello ha confrontato 39 anni di previsioni con i valori effettivi misurati estrapolando le statistiche, veramente come fa l'appassionato quando prende una previsione a 5 gg che dà neve al piano e poi a Milano splende il sole oppure confronta una carta di un run odierno con una che gli sembra analoga presa da una situazione di qualche anno prima. Solo che l'AI lo fa in background, in modo veloce, e macinando dati a ritmi impossibili. Rispetto ad un modello classico che applica le leggi della fisica per calcolare l'evoluzione dallo stato iniziale, è praticamente l'opposto: si studia la soluzione per ricostruire l'evoluzione.

Sempre da Science si può scaricare tutto il "paper" con materiale addizionale
Just a moment...

Non penso che questo approccio sostituirà l'altro, ma la l'unione dei due potrebbe ridurre la divergenza tra previsioni e stato reale, soprattutto quando ci sono di mezzo fenomeni estremi.

jupiter

[Albert0]

E se esistesse invece una AI pensata per creare chat fittizie o forum di lamentele

Fattibile, già i 20 anni di questo forum sono una discreta base di dati...
Tornando più seri, non mi aspetto performance molto superiori al deterministico ( a parte stimare molto meglio la affidabilità previsione e magari sul long offrire più scenari con differente probabilità) ma è interessante anche solo dal punto di vista teorico.

[Musin]

I modelli che utilizzano reti neurali non sono lineari, modelli come Graphcast individuano la dinamica che considerano più probabile a partire da una specifica condizione iniziale attraverso lo studio del dataset di reanalisi (le ERA5 1979-2017 in questo caso).
Non c'è nessun ostacolo teorico, se non il fatto che il modello non produce necessariamente output coerenti dal punto di vista fisico (ma avendo effettuato un training su un dataset che è costruito integrando anche i principi fisici anche l'output in linea di massima lo sarà).

Considerato che i modelli utilizzati attualmente sono delle approssimazioni dei processi fisici (quindi intrinsecamente soggette ad errori e bias nella dinamica) non è così scontato che un modello che cerca di simulare le dinamiche reali in base ai principi della fisica riesca a raggiungere una precisione maggiore di uno che fa una simulazione statistica (non lineare). Dopotutto lo vediamo anche con le stagionali quanta difficoltà hanno i modelli di simulazione in particolare sulle dinamiche polari, anche semplici modelli statistici riescono ad ottenere risultati migliori.
Di conseguenza il modello costruito sulle reti neurali ha il vantaggio di costruire la previsione "imitando" le dinamiche reali studiate nel dataset di inizializzazione, che sono prive degli errori di approssimazione impliciti in un modello deterministico, ma ha lo svantaggio di non utilizzare le conoscenze sui processi fisici. Dal punto di vista della propagazione dell'errore, non mi stupirebbe una maggiore robustezza dei modelli basati sulle reti neurali.

Dal punto di vista teorico non c'è un approccio superiore ad un altro, si tratta di approcci totalmente diversi quindi si può solo fare una valutazione relativa in termini di efficienza. In ogni caso, la parte di inizializzazione e reanalisi che fanno i modelli attuali rimane essenziale, si tratta solo di capire se nel costruire le dinamiche future sia più efficiente un approccio che cerca di risolvere le equazioni oppure uno che "ragioni" sostanzialmente per analogia dopo aver fatto un confronto con altre situazioni analoghe. Non mi stupirebbe se in futuro dei modelli globali attuali rimanesse prevalentemente la parte di inizializzazione e reanalisi, mentre per le previsioni prevalesse un approccio più leggero fondato sul machine learning.

Quali sono i tempi di elaborazione? Istintivamente direi molto più bassi.

[glozzi]

Mancano sempre però i dati futuri facciamo sempre analisi sulle basi di ciò che è stato medie e quant'altro, nessuno potrà mai sapere come i cambiamenti modifichreanno le condizioni iniziali di calcolo, perché deve ancora avvenire

Inviato dal mio SM-A307FN utilizzando Tapatalk

[Heinrich]

L'AI di GraphCast deve aver pianificato un attacco ad ECMWF impedendogli di uscire stasera.


E' l'unica..

[TirrenoLow]

Quali sono i tempi di elaborazione? Istintivamente direi molto più bassi.

Clamorosamente più bassi e clamorosamente meno esosi/energivori a livello di hardware richiesto per funzionare


Viene bypassata tutta la parte di calcolo della fluidodinamica tramite i complessi algoritmi che la governano....

[snowaholic]

Quali sono i tempi di elaborazione? Istintivamente direi molto più bassi.

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.

[faggio58]

Nell'articolo di presentazione google parla di un minuto per la fase di calcolo sul loro computer dedicato.

[Wolf359]

Molto interessante, è in qualche modo la naturale evoluzione del vecchio "scan back & roll forward" già operativo da molti anni al NOAA:

Climate Prediction Center - Upper Air Tools

Climate Prediction Center - 8 to 14 Day Analogs

[burian br]

Mancano sempre però i dati futuri facciamo sempre analisi sulle basi di ciò che è stato medie e quant'altro, nessuno potrà mai sapere come i cambiamenti modifichreanno le condizioni iniziali di calcolo, perché deve ancora avvenire

Inviato dal mio SM-A307FN utilizzando Tapatalk

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.