Manchester usa Earth-2 su Isambard-AI per prevedere l'inquinamento nel Regno Unito
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Un modello generativo di downscaling di NVIDIA è stato addestrato sul supercomputer nazionale e ha funzionato al primo tentativo, aprendo la strada a previsioni più rapide e dettagliate.
Trentamila morti stimate in un anno. Per ridurre l’impatto dell’aria sporca, la University of Manchester ha addestrato Earth-2 CorrDiff di NVIDIA su Isambard-AI, il supercomputer nazionale di AI a Bristol, per generare previsioni dell’inquinamento su tutto il Regno Unito. Il modello ha funzionato al primo tentativo1.
I modelli di qualità dell’aria basati sulla chimica richiedono molto calcolo. Rallentano le previsioni e riducono dettaglio e frequenza. Da qui l’idea: trasferire al dominio degli inquinanti i framework generativi già usati nelle previsioni meteo e climatiche1.
David Topping, professore al dipartimento di Scienze della Terra e ambientali di Manchester, ha colto la somiglianza del problema. “La sfida maggiore è il calcolo richiesto per prevedere la qualità dell’aria. Quando aggiungi la chimica ai modelli meteo, diventano davvero, davvero lenti. Così ho detto, perché non provare a usare i framework generativi che NVIDIA sviluppa per clima e meteo anche per i campi di inquinanti?”1
Il gruppo ha lavorato con il team NVIDIA Earth-2. Ha costruito i dati di addestramento a partire da simulazioni esistenti di chimica-clima. Poi ha addestrato CorrDiff, un modello generativo di downscaling, su Isambard-AI a Bristol. L’obiettivo: campi di inquinamento più dettagliati a partire da input a risoluzione inferiore, con risorse di calcolo dedicate all’AI1.
Il primo esito è netto: “ha funzionato al primo tentativo”. Il risultato indica che il trasferimento di metodo dal meteo alla qualità dell’aria è praticabile con dati di simulazione disponibili e infrastrutture come Isambard-AI1.
Rimane il nodo del rapporto tra costo computazionale e precisione. La scommessa dei modelli generativi è aggirare il collo di bottiglia dei processi chimici espliciti, mantenendo un buon livello di dettaglio spaziale e temporale. Questo approccio, già testato nel meteo, potrebbe accelerare l’aggiornamento dei campi di concentrazione senza sacrificare la risoluzione utile a decisioni locali1.
Il progetto si inserisce in uno sforzo più ampio: applicare strumenti Earth-2 a problemi ambientali concreti, affiancando competenze di modellistica atmosferica e tecniche generative su hardware su misura1.
Resta ora da vedere come questi modelli incideranno sulla frequenza e sul dettaglio delle previsioni operative nel Regno Unito. La prova iniziale apre la strada alla valutazione su casi d’uso reali e a confronti sistematici con gli approcci chimico-fisici tradizionali, compreso il possibile impatto su come le autorità pianificano interventi e allerte1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.