Gli scienziati ambientali stanno sempre più utilizzando enormi modelli di intelligenza artificiale per fare previsioni sui cambiamenti climatici e meteorologici. Tuttavia, un nuovo studio condotto dai ricercatori del MIT dimostra che modelli più grandi non sono sempre migliori. In alcuni scenari climatici, modelli più semplici basati sulla fisica possono generare previsioni più accurate rispetto ai modelli di deep learning all’avanguardia.
Valutazione dei modelli
L’analisi del team ha rivelato che una tecnica di benchmarking comunemente utilizzata per valutare le tecniche di machine learning per le previsioni climatiche può essere distorta da variazioni naturali nei dati, come le fluttuazioni nei modelli meteorologici. Questo potrebbe portare a credere che un modello di deep learning faccia previsioni più accurate quando non è così. I ricercatori hanno sviluppato un metodo più robusto per valutare queste tecniche, dimostrando che, mentre i modelli semplici sono più accurati nel stimare le temperature superficiali regionali, gli approcci di deep learning possono essere la scelta migliore per stimare le precipitazioni locali.
Simulazione del clima
I risultati sono stati utilizzati per migliorare uno strumento di simulazione noto come climate emulator, che può simulare rapidamente l’effetto delle attività umane su un clima futuro. I ricercatori vedono il loro lavoro come un “monito” sui rischi di utilizzare grandi modelli di AI per la scienza del clima. Mentre i modelli di deep learning hanno mostrato un incredibile successo in domini come il linguaggio naturale, la scienza del clima contiene un insieme comprovato di leggi fisiche e approssimazioni, e la sfida diventa come incorporarle nei modelli di AI.
Fondamenti del problema
“Stiamo cercando di sviluppare modelli che siano utili e rilevanti per le decisioni che i responsabili politici dovranno prendere in futuro quando faranno scelte di politica climatica. Anche se potrebbe essere attraente utilizzare l’ultimo modello di machine learning su un problema climatico, questo studio dimostra che fare un passo indietro e riflettere davvero sui fondamenti del problema è importante e utile”, afferma Noelle Selin, autrice senior dello studio e professoressa presso il MIT Institute for Data, Systems, and Society (IDSS) e il Dipartimento di Scienze della Terra, Atmosferiche e Planetarie (EAPS).
Collaborazioni e pubblicazioni
I co-autori di Selin sono Björn Lütjens, ex postdoc EAPS ora ricercatore presso IBM Research; Raffaele Ferrari, professore di oceanografia in EAPS e co-direttore del Lorenz Center; e Duncan Watson-Parris, professore assistente presso l’Università della California a San Diego. Selin e Ferrari sono anche co-principal investigators del progetto Bringing Computation to the Climate Challenge, da cui è emersa questa ricerca. Il documento appare oggi nel Journal of Advances in Modeling Earth Systems.
Considerazioni finali
Questo studio del MIT ci ricorda che, nonostante l’attrattiva dei modelli di intelligenza artificiale di grandi dimensioni, è essenziale considerare i fondamenti fisici quando si tratta di previsioni climatiche. I modelli più semplici possono offrire una precisione sorprendente in alcuni contesti, mentre i modelli di deep learning possono eccellere in altri. La chiave è trovare un equilibrio e utilizzare l’approccio giusto per il problema giusto. Questo approccio ponderato non solo migliora la precisione delle previsioni, ma garantisce anche che le decisioni politiche siano basate su dati solidi e affidabili.
Fonte: MITPer saperne di piùfoto credit: Credit: MIT News; iStock
