Gli esperti sviluppano un modello di intelligenza artificiale che simula 1.000 anni di clima attuale in un solo giorno

Negli ultimi cinque anni, l’intelligenza artificiale è diventata uno strumento potente per effettuare previsioni più economiche e rapide, ma la maggior parte dei modelli basati su IA può prevedere con precisione solo fino a 10 giorni. Questo dato sta cambiando, come dimostra un nuovo studio.

In un nuovo studio pubblicato su AGU Advances, ricercatori della University of Washington hanno utilizzato l’IA per simulare il clima attuale della Terra e la sua variabilità interannuale per fino a 1000 anni. Il modello viene eseguito su un singolo processore e genera una previsione in appena 12 ore. Su un supercomputer di ultima generazione, la stessa simulazione richiederebbe circa 90 giorni.

Durran è stato uno dei primi a integrare l’IA nella previsione meteorologica oltre cinque anni fa, quando lui e l’ex studente di laurea della University of Washington, Jonathan Weyn, si sono associati a Microsoft Research. Durran è anche ricercatore associato presso Nvidia, azienda con sede in California.

"Per addestrare un modello di IA, bisogna fornire grandi quantità di dati", ha detto Durran. "Ma se si scompongono i dati storici disponibili per stagione, non si ottengono molti frammenti".

I set di dati globali più precisi per la previsione meteorologica giornaliera risalgono approssimativamente al 1979. Sebbene esistano molti giorni tra allora e oggi che possono essere utilizzati per addestrare un modello di previsione giornaliera, lo stesso periodo contiene meno stagioni. Questa carenza di dati storici era percepita come un ostacolo all’uso dell’IA nella previsione stagionale.

Contrariamente all’intuizione, l’ultimo contributo del gruppo Durran alla previsione, il modello Deep Learning Earth SYSTEM, o DLESyM, è stato addestrato per previsioni giornaliere, ma è riuscito comunque a catturare la variabilità stagionale.

Il modello combina due reti neurali: una che rappresenta l’atmosfera e l’altra, l’oceano. Sebbene i modelli tradizionali del sistema terrestre combinino spesso previsioni atmosferiche e oceaniche, i ricercatori non avevano ancora applicato questo approccio in modelli basati esclusivamente su IA.

"Siamo stati i primi ad applicare questo framework all’IA e abbiamo scoperto che funzionava magnificamente", ha affermato l’autore principale, Nathaniel Cresswell-Clay, studente di laurea presso la University of Washington in scienze atmosferiche e climatiche. "Presentiamo questo modello come una sfida a molte delle ipotesi attuali sull’IA nella scienza climatica".

Poiché la temperatura della superficie del mare cambia più lentamente di quella dell’aria, il modello oceanico aggiorna le proprie previsioni ogni quattro giorni, mentre il modello atmosferico lo fa ogni 12 ore. Cresswell-Clay sta attualmente lavorando all’integrazione di un modello della superficie terrestre in DLESyM.

"Il nostro design apre la porta all’integrazione futura di altri componenti del sistema terrestre", ha affermato, specialmente componenti che in passato sono stati difficili da modellare, come le interazioni tra suolo, vegetazione e atmosfera. Invece di creare equazioni per rappresentare questa complessa relazione, l’IA apprende direttamente dai dati.

I ricercatori hanno dimostrato le prestazioni del modello confrontando le previsioni di eventi passati con quelle generate dai quattro principali modelli della sesta fase del Coupled Model Intercomparison Project (CMIP6), tutti eseguiti su supercomputer. Le previsioni climatiche future basate su questi modelli sono state risorse chiave utilizzate nell’ultimo rapporto dell’Intergovernmental Panel on Climate Change (IPCC).

Ad esempio, il modello ha riprodotto eventi di blocco atmosferico altrettanto bene dei principali modelli fisici. Il blocco si riferisce alla formazione di dorsali atmosferiche che mantengono regioni calde e secche e altre fredde o umide, deviando i sistemi meteorologici in arrivo.

"Molti dei modelli climatici esistenti non catturano adeguatamente questo pattern", ha dichiarato Cresswell-Clay. "La qualità dei nostri risultati convalida il modello e aumenta la nostra fiducia nelle sue proiezioni future".

Nonostante né i modelli CMIP6 né DLESyM siano precisi al 100%, il fatto che l’approccio basato su IA sia competitivo usando molta meno energia è significativo.

"Il modello non solo ha un’impronta di carbonio molto inferiore, ma chiunque può scaricarlo dal nostro sito web e condurre esperimenti complessi, anche senza accesso a un supercomputer", ha dichiarato Durran. "Questo rende la tecnologia accessibile a molti altri ricercatori".

Fornito da: University of Washington via Phys.org

Riferimento allo studio

Nathaniel Cresswell‐Clay et al, A Deep Learning Earth System Model for Efficient Simulation of the Observed Climate, AGU Advances (2025). DOI: 10.1029/2025AV001706