Huawei Pangu Weather, nuovo modello di previsione metereologica basato su AI

Huawei CLOUD ha presentato Pangu Weather, un modello di previsione meteorologica basato sull’IA in grado di assicurare una maggiore accuratezza rispetto ai tradizionali modelli numerici. Consente infatti di migliorare di 10.000 volte la velocità di previsione, riducendo così il tempo complessivo di elaborazione a pochi secondi.

L’importanza rivoluzionaria di Pangu Weather è testimoniata anche da ‘Nature’, la più antica e prestigiosa rivista nell’ambito della comunità scientifica internazionale. Nell’articolo dal titolo "Accurate medium-range global weather forecasting with 3D neural networks" viene infatti illustrato come sviluppare un sistema di previsioni meteorologiche globali basato sull’IA, che sia accurato, basato sul deep learning e che utilizzi un database di oltre 43 anni di informazioni meteo, fornendo così un endorsement imparziale di Pangu Weather. L’importanza di questa pubblicazione deriva anche dal fatto che i dipendenti di un'azienda tecnologica cinese sono i primi, e finora unici, autori di un articolo su ‘Nature’, secondo il Nature Index.

Pangu Weather sfida la tesi, già sostenuta in passato, per cui l'accuratezza delle previsioni meteorologiche basate sull’IA fosse inferiore a quella dei modelli numerici tradizionali. Tuttavia, questo innovatico modello, sviluppato dal team di Huawei CLOUD, è il primo in assoluto basato sull’IA con il maggiore grado di accuratezza rispetto a tutti gli altri metodi di previsione numerica tradizionale.

Grazie infatti al rapido sviluppo della potenza di calcolo degli ultimi 30 anni, l'accuratezza delle previsioni meteorologiche basate su modelli numerici è migliorata notevolmente, inviando degli alert in caso di rischio di catastrofe naturale e fornendo preziose previsioni sui cambiamenti climatici. Tuttavia, a causa delle lunghe tempistiche di elaborazione associate a questi metodi tradizionali, la ricerca si è successivamente concentrata su come poter impiegare metodi di apprendimento artificiale, come il deep learning, per accelerare la velocità di previsione. Ciò nonostante, la precisione delle previsioni basate sull'IA nel medio e lungo termine è rimasta inferiore a quella dei modelli numerici tradizionali.

Fino a poco tempo fa, infatti, persino l'IA non riusciva a prevedere fenomeni meteorologici estremi e insoliti, come ad esempio i tifoni. Eppure, ogni anno continuano a verificarsi circa 80 tifoni in tutto il mondo. Ad esempio, nel 2022, in Cina, la perdita economica diretta causata da questo ciclone tropicale è stata pari a 5,42 miliardi di yuan, secondo quanto emerge dai dati del Ministero per la Gestione delle Emergenze del Paese. Risulta quindi evidente l’importanza di allertare per tempo la popolazione, così da potersi preparare adeguatamente di fronte al verificarsi di questi eventi estremi.

Grazie alla loro elevata velocità, i modelli di previsione meteorologica basati sull’IA hanno quindi catturato l’attenzione della comunità scientifica e non, anche alla luce di alcuni limiti in termini di accuratezza già emersi chiaramente. In primo luogo, i modelli abilitati dall’IA attualmente in uso si basano su reti neurali 2D, che non sono in grado di elaborare con precisione i dati meteorologici 3D disomogenei. In secondo luogo, le previsioni meteo sul medio termine sono soggette a errori cumulativi quando il modello viene richiamato troppe volte di seguito.

Pangu Weather, la soluzione per affrontare con successo queste sfide

Durante i test scientifici, il modello Pangu Weather ha dimostrato una maggiore precisione rispetto ai metodi numerici tradizionali nel periodo di interesse che va da 1 ora a 7 giorni, aumentando la velocità di previsione di 10.000 volte. Il modello permette infatti di prevedere, in pochi secondi e con un’elevata accuratezza, le caratteristiche meteorologiche più difficili da rilevare, tra cui umidità, velocità del vento, temperatura e pressione al livello del mare.

Nel dettaglio, il modello utilizza un'architettura 3D Earth-Specific Transformer (3DEST) per elaborare dati meteorologici 3D complessi e disomogenei. Utilizzando una strategia di aggregazione temporale gerarchica, il modello è stato strutturato su diversi intervalli temporali di previsione, pari a 1 ora, 3 ore, 6 ore e 24 ore. Ciò ha permesso di minimizzare la quantità di iterazioni per prevedere una condizione meteorologica in uno specifico momento e ridurre così le previsioni errate.

Per accrescere la sensibilità del modello su intervalli di tempo specifici, i ricercatori hanno creato 100 epoche (cicli) utilizzando campioni orari di dati meteorologici dal 1979 al 2021. Ciò ha portato alla creazione di diversi sotto-modelli, con ciascuno di questi che ha richiesto 16 giorni di training su 192 schede grafiche V100. Così facendo, il modello Pangu Weather è stato in grado di completare previsioni meteo globali di 24 ore in soli 1,4 secondi, su una scheda grafica V100, e con un miglioramento della velocità di 10.000 volte rispetto alle previsioni numeriche tradizionali.