Come funzionano i modelli meteorologici di IA

Tra le rotte che Saily WR traccia per una traversata, tre vengono da modelli diversi da tutti gli altri: AIFS dell'ECMWF, AICON del DWD e AIGFS della NOAA. Per settant'anni, fare una previsione ha voluto dire risolvere la fisica dell'atmosfera; il loro vento esce invece da reti neurali che hanno imparato il tempo dal suo stesso passato. Le parole «intelligenza artificiale» spingono alla fede cieca o a un'alzata di spalle, e nessuna delle due aiuta uno skipper che soppesa una traversata. Per sapere quanto peso meritino le loro rotte, conviene aprire la scatola e guardare che cosa succede dentro.

Un modello meteorologico classico è fisica al lavoro. Divide l'atmosfera in scatole, larghe circa 9 km e impilate su 137 livelli per l'IFS dell'ECMWF, e in ciascuna applica le leggi che governano l'aria: quelle di Newton per il suo moto, la conservazione della sua massa, della sua energia e della sua acqua. Passo dopo passo, pochi minuti di tempo alla volta, calcola come cambiano vento, pressione, temperatura e umidità. Ciò che è più piccolo di una scatola, un cumulo, la turbolenza sopra le onde, non si può calcolare ed è rappresentato da regole semplificate, le parametrizzazioni, dove si nasconde buona parte dell'errore di un modello. Una previsione a quindici giorni tiene occupata una parte consistente di un supercalcolatore.

Ogni previsione, classica o no, parte da un'immagine del presente, l'analisi. L'ECMWF riceve ogni giorno circa 800 milioni di osservazioni, da satelliti, palloni sonda, aerei, navi, boe alla deriva e stazioni meteorologiche, e ne conserva una sessantina di milioni dopo il controllo, eppure lasciano grandi vuoti, soprattutto sugli oceani. L'assimilazione dei dati li colma: prende una breve previsione del modello fisico e la avvicina a ogni osservazione, quanto quell'osservazione merita fiducia, finché trova il miglior equilibrio tra ciò che il modello si aspettava e ciò che è stato misurato. Questo passaggio, il più delicato dell'intera catena, conta per quel che segue: nessuno dei modelli di IA di Saily WR lo compie. Ciascuno parte dall'analisi di un modello fisico.

Il salto dei modelli di IA è sostituire le equazioni con l'esperienza. Immagini un navigatore che avesse studiato tutte le carte meteorologiche degli ultimi quarant'anni, a sei ore l'una dall'altra, e imparato a memoria come ciascuna diventava la successiva: davanti alla carta di adesso e a quella di sei ore fa, saprebbe abbozzare quella di sei ore dopo. È esattamente la domanda posta a una rete neurale: dato lo stato dell'atmosfera adesso e un passo prima, prevederlo un passo dopo, sei ore più avanti per AIFS e AIGFS, tre per AICON. Nessuna legge della fisica vi è scritta: tutto ciò che sa, l'ha trovato nei suoi esempi.

Il suo libro di testo è una rianalisi: il tempo del passato ricostruito con un solo modello e un solo metodo di assimilazione, perché ogni anno sia disegnato allo stesso modo. ERA5, la rianalisi dell'ECMWF, dà lo stato dell'atmosfera ora per ora dal 1940, su una griglia di un quarto di grado. AIFS ha imparato dai suoi anni dal 1979 al 2022, poi dalle analisi recenti dell'ECMWF; GraphCast, la rete di Google DeepMind al cuore di AIGFS, anch'essa da ERA5 e dalle analisi dell'ECMWF, prima che la NOAA la affinasse sulle proprie; AICON da quindici anni di una rianalisi che il DWD ha prodotto con ICON. Addestrare significa mostrare alla rete milioni di coppie di stati, misurare ogni volta quanto la sua risposta si allontana da ciò che è accaduto, e regolare i suoi milioni di parametri, i pesi delle sue connessioni, per cadere un po' più vicino. Si fa una volta per ogni versione, circa una settimana su 64 processori grafici per AIFS, e poi il modello si usa così com'è.

Come fa una rete ad abbracciare un pianeta intero? Non come un'immagine piatta: la Terra è rotonda, e su una griglia di latitudini e longitudini i meridiani si stringono ai poli. Tutti e tre raccolgono il tempo su una maglia di punti distribuiti in modo uniforme sulla sfera e collegati ai loro vicini, un grafo. GraphCast lo costruisce suddividendo, più e più volte, le facce di un icosaedro, un dado a venti facce, fino a circa 40.000 nodi; AICON lo ricava dai triangoli stessi di ICON. In GraphCast e AICON, i nodi poi si scambiano messaggi: i collegamenti corti portano il tempo locale, quelli lunghi fanno attraversare un oceano all'informazione in un solo passo. AICON pesa questi messaggi con l'attenzione, un meccanismo con cui ogni punto impara quali dei suoi vicini contano di più; AIFS, il cui cuore è un transformer più che un grafo, applica l'attenzione a finestre che scorrono sulla sua maglia. Alla fine, il risultato viene riportato sulla griglia della previsione.

Una rete che sa guardare solo un passo avanti si spinge a giorni di scadenza nutrendosi di sé stessa: la sua previsione a sei ore diventa il punto di partenza del passo successivo, e così via, 64 volte per i sedici giorni di AIGFS. Questo concatenamento, chiamato autoregressione, è l'anello debole: un errore commesso all'inizio si trascina in tutti i passi successivi, e può crescere. Per tenerlo sotto controllo, le reti vengono addestrate non solo su un passo ma anche su diversi passi concatenati, perché imparino a correggere la propria deriva. Questo addestramento ha un costo nascosto, a cui arrivano i paragrafi seguenti: il DWD ha scelto di addestrare AICON su un solo passo di tre ore proprio per conservare il dettaglio che un addestramento più lungo cancella.

Una volta addestrati, questi modelli sono di una sobrietà sorprendente. Una previsione AIFS a dieci giorni richiede pochi minuti su un solo processore grafico, laddove l'IFS impegna una parte consistente di un supercalcolatore, e secondo l'ECMWF consuma circa mille volte meno energia. Questo cambia ciò che un centro di previsione può permettersi: far girare cinquanta previsioni insieme per misurare l'incertezza, come fa AIFS ENS con i suoi 51 membri, costa poco. Ma il risparmio si ferma alla previsione stessa. L'analisi da cui parte viene sempre dal sistema fisico e dalle sue osservazioni, a costo pieno: i modelli di IA rendono più economica la previsione, non la conoscenza del presente.

Il loro difetto più noto viene dal modo in cui vengono valutati. Durante l'addestramento, l'errore si misura il più delle volte come errore quadratico medio, la media dei quadrati degli scarti tra previsione e realtà. Ora, a cinque giorni l'atmosfera ha diversi futuri possibili: una depressione può passare a nord dell'Irlanda, o a sud. Davanti a questo dubbio, la risposta che tiene più basso un errore quadratico non è né l'una né l'altra traiettoria, ma la loro media, una depressione meno profonda da qualche parte nel mezzo. La rete impara a tenere il piede in due staffe, e i suoi campi si fanno più lisci quanto più guarda lontano: i picchi di vento si smussano, i fronti si attenuano, le tempeste si indeboliscono. L'ECMWF nota che AIFS dà cicloni tropicali meno intensi di quelli dell'IFS, e i previsori del DWD hanno trovato che AICON sottostima i venti forti.

La ricerca è al lavoro sul rimedio. Gli ensemble addestrati su un altro punteggio, il continuous ranked probability score o CRPS, che premia un insieme di previsioni la cui dispersione corrisponde all'incertezza reale, mantengono nitido ogni membro invece di lasciarli confluire in un'unica media liscia: è la strada di AIFS ENS. La versione 1.1 di AIGFS, da luglio, misura i propri errori sulle strutture di ogni campo, scala per scala, piuttosto che punto per punto, per sfumare meno a lunga scadenza. AICON, addestrato su un solo passo breve, ne esce meno sfumato, secondo la misura dello stesso DWD, dei modelli deterministici addestrati su ERA5. Nessuno di questi rimedi è completo, e Saily WR legge una sola previsione di ciascun modello: in una burrasca, il vento di un modello di IA va ancora letto come probabilmente troppo debole.

AIFS e AIGFS danno il meglio nel quadro generale a più giorni, la parte di una previsione che decide una traversata oceanica: dove staranno le depressioni e gli anticicloni, quando arriverà un fronte, quale strada prenderà una tempesta tropicale. Nella sua forma originale, partendo dalle analisi dell'ECMWF, GraphCast ha battuto la migliore previsione deterministica del suo tempo sul 90 % dei 1.380 obiettivi su cui è stato verificato; l'ECMWF ha trovato AIFS davanti al suo IFS fisico su molte misure, fino al 20 %, tra cui le traiettorie dei cicloni tropicali. AICON, costruito per il tempo vicino alla superficie, fa meglio sul vento dei primi giorni, e cede il passo a ICON sui grandi sistemi oltre i due giorni circa. Sono punteggi di posizioni e di strutture, non della forza del vento in un groppo.

I loro limiti vengono da ciò che hanno imparato. Una rete conosce solo il tempo del suo libro di testo: una tempesta più forte di tutte quelle dei suoi decenni di rianalisi esce dalla sua esperienza, e nulla in essa garantisce il rispetto delle leggi della fisica oltre quanto le hanno insegnato i suoi esempi. La prima versione di AIFS, mal ponderata sull'umidità del suolo durante l'addestramento, prevedeva macchie di pioggia sbucate dal nulla. Le loro griglie sono grossolane, circa 30 km per AIFS e AIGFS, e i triangoli di 13 km di AICON arrivano a Saily WR su una griglia di un quarto di grado come la loro: niente brezza di mare, niente accelerazione attorno a un capo, niente ridosso dietro un'isola. E non sostituiscono i modelli fisici, vi si appoggiano: senza l'analisi dell'IFS, di GFS o di ICON, non avrebbero un punto di partenza.

Questa dipendenza è proprio ciò che li rende utili in mare. Ogni modello di IA ha un gemello fisico che parte dalla stessa identica analisi: AIFS con l'IFS dell'ECMWF, AICON con ICON, AIGFS con GFS. Dove le rotte di due gemelli si separano, sono partite dallo stesso tempo, quindi lo scarto viene solo dai modelli: segno che la previsione è incerta, o che il modello di IA la sta smussando. Mettiamo che lei sia ad A Coruña, in attesa di una finestra per attraversare il golfo di Biscaglia fra quattro giorni: se AIFS e l'IFS concordano, e GFS, che parte da un'altra analisi, è d'accordo con loro, la finestra poggia su basi solide; se solo AIFS mostra una depressione più blanda, molto probabilmente la sta smussando. Legga AIFS e AIGFS per il dove e il quando dei grandi sistemi, AICON per il vento dei primi giorni, i modelli fisici per quanto forte soffia, e il loro disaccordo come la misura del suo dubbio.