I processi di apprendimento profondo (deep learning) spiegano origine e movimento dei cristalli di ghiaccio. Le previsioni meteorologiche miglioreranno, sia sui tempi brevi che su quelli lunghi
Un gruppo di ricercatori ha utilizzato processi di apprendimento profondo (deep learning) per modellare con precisione ineguagliata la formazione dei cristalli di ghiaccio nell’atmosfera. L’articolo, pubblicato questa settimana su PNAS, indica una possibilità su come migliorare significativamente l’accuratezza delle previsioni meteorologiche e climatiche.
I ricercatori hanno utilizzato le facoltà del deep learning per prevedere il comportamento di atomi e molecole. In primo luogo, i modelli di apprendimento sono stati addestrati a partire da simulazioni su piccola scala di 64 molecole d’acqua per aiutarli a riconoscere come interagiscono gli elettroni negli atomi. I modelli hanno quindi replicato quelle interazioni su scala più ampia, con più atomi e molecole.
È questa capacità di simulare con precisione le interazioni degli elettroni che ha permesso al team di prevedere con precisione il comportamento fisico e chimico.
“Le proprietà della materia emergono dal modo in cui si comportano gli elettroni”, afferma Pablo Piaggi, ricercatore presso l’Università di Princeton e autore principale dello studio. “Simulare esplicitamente ciò che accade a quel livello permettere di comprendere fenomeni fisici molto più articolati”.
È la prima volta che questo metodo viene utilizzato per modellare qualcosa di così complesso come la formazione di cristalli di ghiaccio, nota anche come nucleazione del ghiaccio. Si tratta di uno dei primi passaggi nella formazione delle nuvole, origine di tutte le precipitazioni.
Secondo Xiaohong Liu, professore di scienze dell’atmosfera presso la Texas A&M University estraneo allo studio, una buona metà di tutti gli eventi di precipitazione, si tratti di neve, pioggia o nevischio, parte dalla formazione di cristalli di ghiaccio, che poi si ingrandiscono e provocano precipitazioni.
Se i ricercatori potessero modellare la nucleazione del ghiaccio in modo più accurato, potrebbe dare un grande impulso alle previsioni meteorologiche in generale.
La nucleazione del ghiaccio è attualmente prevista sulla base di esperimenti di laboratorio. I ricercatori raccolgono dati sulla formazione di ghiaccio in diverse condizioni di laboratorio e tali dati vengono inseriti in modelli di previsione meteorologica in condizioni simili del mondo reale.
Questo metodo può anche funzionare bene, ma spesso finisce per essere impreciso a causa dell’enorme numero di variabili coinvolte nelle condizioni meteorologiche effettive. Basta una lieve variazione nei fattori presi in considerazione tra il laboratorio e il mondo reale per avere risultati molto diversi.
“I tuoi dati sono validi solo per una determinata regione, temperatura o tipo di impostazione di laboratorio”, afferma Liu.
Prevedere la nucleazione del ghiaccio dal modo in cui gli elettroni interagiscono è molto più preciso, ma è anche molto costoso dal punto di vista computazionale. Richiede ai ricercatori di modellare da 4.000 a 100.000 molecole d’acqua e, anche su supercomputer, una tale simulazione potrebbe richiedere anni per essere eseguita.
E pure così, non si modellerebbero che 100 picosecondi, o 10-10 secondi, di interazioni: un intervallo insufficiente per studiare il processo di nucleazione del ghiaccio.
Utilizzando il deep learning, tuttavia, i ricercatori sono stati in grado di eseguire i calcoli in soli 10 giorni. Anche la durata del periodo modellato è risultata 1.000 volte più lunga, comunque una frazione di secondo, ma giusto sufficiente per vedere la nucleazione.
Naturalmente, avere a disposizione dei modelli più accurati della nucleazione del ghiaccio non renderà perfette le previsioni, afferma Liu, poiché si tratta solo una piccola, sebbene critica, componente della modellazione meteorologica. Non bisogna sottovalutare il peso di altri aspetti: capire come si formano le gocce d’acqua e i cristalli di ghiaccio, ad esempio, e come si muovono e interagiscono insieme in diverse condizioni.
Tuttavia, la capacità di modellare in modo più accurato come si formano i cristalli di ghiaccio nell’atmosfera migliorerebbe significativamente le previsioni meteorologiche, in particolare quelle che riguardano se e quanto è probabile che piova o nevichi. Il nuovo dato potrebbe anche favorire la precisione delle previsioni cliamtiche migliorando la capacità di modellare la formazione delle nuvole, che influenzano la temperatura del pianeta in modi complessi.
Piaggi afferma che la ricerca futura potrebbe modellare la nucleazione del ghiaccio quando ci sono sostanze come il fumo nell’aria, migliorando potenzialmente ancora di più la precisione dei modelli. Grazie alle tecniche di deep learning, ora è possibile utilizzare le interazioni degli elettroni per modellare sistemi più grandi per periodi di tempo più lunghi.
“Abbiamo essenzialmente aperto un nuovo campo di studi”, afferma Piaggi. “Sta già avendo e avrà un ruolo ancora maggiore nelle simulazioni in chimica e nelle nostre simulazioni di materiali”.