Google ha annunciato di aver sviluppato un nuovo modello di Intelligenza Artificiale per la generazione di previsioni meteorologiche su larga scala denominato SEEDS, Scalable Ensemble Envelope Diffusion Sampler, in grado di prevedere il meteo più velocemente e in grado di rilevare eventi meteorologici estremi in modo più tempestivo rispetto alle metodologie convenzionali basate sulla fisica.

SEEDS, strutturato in modo analogo ai modelli di linguaggio di grandi dimensioni (LLM) come ChatGPT e agli strumenti di Intelligenza Artificiale generativa come Sora, si distingue per la capacità di generare numerosi insiemi di previsioni meteorologiche in maniera più rapida ed efficiente rispetto ai tradizionali modelli di previsione.

I risultati del team di ricerca sono stati documentati in un articolo pubblicato sulla rivista Science Advances il 29 marzo scorso.

La previsione meteorologica si presenta come una sfida complessa, pproprio perché coinvolge numerose variabili che possono condurre a eventi meteorologici di portata devastante, quali uragani e ondate di calore. L’urgente necessità di prevedere con precisione tali eventi, specie in un contesto di mutamento climatico e frequenza crescente di eventi meteorologici estremi, sottolinea l’importanza vitale della previsione meteorologica precisa per la salvaguardia delle vite umane, consentendo alle persone di prepararsi adeguatamente ai potenziali effetti dannosi dei disastri naturali.

Attualmente, le previsioni meteorologiche basate sulla fisica integrano una vasta gamma di misurazioni per produrre una previsione finale, mediando molteplici modelli di previsione, o insiemi, che riflettono diverse combinazioni di variabili. Tuttavia, la maggior parte di tali previsioni risulta sufficientemente accurata per condizioni meteorologiche comuni, mentre la predizione di eventi meteorologici estremi rimane un’ardua sfida al di là delle capacità dei servizi meteorologici convenzionali.

Le attuali metodologie di previsione si avvalgono sia di modelli deterministici che probabilistici, introducendo variabili casuali nelle condizioni iniziali. Tuttavia, ciò comporta un aumento significativo del tasso di errore nel tempo, rendendo difficile la predizione accurata di condizioni meteorologiche estreme e future. Gli errori inattesi nelle condizioni iniziali possono impattare considerevolmente il risultato della previsione, poiché le variabili crescono in modo esponenziale nel tempo, e la modellazione di previsioni dettagliate comporta costi elevati. Gli studiosi di Google hanno stimato che sono necessarie fino a 10.000 previsioni in un modello per predire eventi con solo l’1% di probabilità di manifestarsi.

SEEDS adotta un approccio basato sull’utilizzo di misurazioni fisiche raccolte da agenzie meteorologiche, focalizzandosi sullo studio delle relazioni tra l’unità di energia potenziale per massa del campo gravitazionale terrestre nella media troposfera e la pressione a livello del mare, due parametri comunemente impiegati nelle previsioni meteorologiche. Questo approccio consente a SEEDS di generare un numero maggiore di insiemi di previsioni rispetto ai metodi tradizionali, sfruttando l’intelligenza artificiale per estrapolare fino a 31 insiemi di previsioni basati su uno o due “seeding” di previsioni utilizzati come dati di input.