Prevedere la qualità dell’aria richiede normalmente una quantità di calcolo molto superiore a quella necessaria per una previsione meteorologica convenzionale. Nel modello entrano infatti le reazioni chimiche degli inquinanti, il trasporto nell’atmosfera, le condizioni del tempo e le emissioni: una combinazione che rende le simulazioni lente e costose. Un gruppo dell’Università di Manchester sta sperimentando un’alternativa basata sull’intelligenza artificiale generativa, adattando la piattaforma NVIDIA Earth-2 alle mappe di inquinamento dell’intero Regno Unito.
Il lavoro è guidato da David Topping, professore nel Dipartimento di scienze della Terra e dell’ambiente dell’ateneo britannico, con il contributo del dottorando Hao Zhang e del team NVIDIA Earth-2. L’obiettivo non è sostituire d’un colpo i modelli fisico-chimici che descrivono l’atmosfera, ma usare i loro risultati come base per costruire strumenti molto più rapidi nella fase di previsione. È una differenza importante: il sistema di Manchester apprende dai dati prodotti da simulazioni già esistenti, anziché calcolare ogni volta da zero tutte le reazioni chimiche.
La ricerca si inserisce in un problema sanitario rilevante. NVIDIA cita una stima di circa 30.000 morti associate all’inquinamento atmosferico nel Regno Unito nell’ultimo anno. Anche al di là di questa cifra, la necessità di disporre di avvisi localizzati e tempestivi riguarda direttamente persone con asma e altre patologie respiratorie, strutture sanitarie, amministrazioni locali e chi deve decidere interventi sulle emissioni. La qualità di una previsione, in questi casi, non dipende soltanto dall’accuratezza: contano anche la frequenza con cui può essere aggiornata e il livello di dettaglio geografico raggiungibile.
Dal modello climatico a una mappa della qualità dell’aria
Il punto di partenza è Earth-2 CorrDiff, uno dei modelli open della famiglia NVIDIA Earth-2. CorrDiff è progettato per il downscaling generativo, cioè per ricavare una rappresentazione a risoluzione più elevata a partire da dati meno dettagliati. Il gruppo di Manchester lo ha riaddestrato su un anno di dati simulati per il Regno Unito, disponibili a intervalli orari, così da ottenere un modello nazionale con celle di circa 2-3 chilometri.
La scelta di partire da simulazioni chimico-climatiche non elimina il valore della modellazione tradizionale; ne sposta piuttosto il peso. Le simulazioni ad alta fedeltà rimangono necessarie per generare il materiale di addestramento, ma il modello addestrato può poi produrre risultati senza ripetere integralmente il costo computazionale del sistema originario. È questa la promessa tecnica più interessante del progetto: abbassare la barriera che finora ha limitato sia la granularità delle analisi sia la loro esecuzione regolare.
L’addestramento iniziale di CorrDiff è stato eseguito su Isambard-AI, il supercomputer nazionale britannico per l’intelligenza artificiale ospitato a Bristol. Secondo quanto comunicato dai partecipanti al progetto, è bastato un singolo nodo con otto GPU e il processo ha richiesto due giorni. Isambard-AI è una macchina basata su 5.448 NVIDIA GH200 Grace Hopper Superchips, ma il dato dei due giorni va letto nel suo contesto: non equivale a dire che l’intera infrastruttura sia stata impiegata per due giorni, visto che il test ha usato un solo nodo.
Il team ha inoltre integrato Earth-2 StormCast, modello destinato a elaborare previsioni dipendenti dal tempo e a utilizzare direttamente osservazioni sulla qualità dell’aria. Se CorrDiff affronta soprattutto la ricostruzione dettagliata dei campi di inquinanti, StormCast aggiunge la dimensione evolutiva della previsione. Zhang ha addestrato anche questa componente su Isambard-AI. La combinazione dei due approcci segnala la direzione della ricerca, ma non va confusa con l’annuncio di un servizio pubblico già operativo per i cittadini britannici.
Più velocità può significare decisioni più utili
Un modello capace di elaborare rapidamente scenari di inquinamento può servire a più di una mappa consultabile online. Topping indica, per esempio, la possibilità di analizzare in anticipo gli effetti di diverse politiche pubbliche collegate alle emissioni. In un contesto del genere, i decisori potrebbero confrontare ipotesi alternative prima di applicarle, osservando come cambierebbero i livelli stimati di inquinanti sul territorio nazionale.
Un altro scenario riguarda la sanità. Previsioni sufficientemente localizzate potrebbero consentire a servizi regionali o nazionali di avvertire in anticipo i pazienti più vulnerabili quando sono attesi livelli elevati di inquinamento nella loro area, il giorno successivo o nei giorni seguenti. È un’applicazione prospettata dai ricercatori, non una funzione che l’Università di Manchester dichiara di avere già distribuito. La distinzione è sostanziale, perché trasformare un modello sperimentale in un servizio sanitario richiede validazione, integrazione con i flussi clinici, governance dei dati e una comunicazione del rischio adeguata.
Il gruppo sta anche valutando un collegamento con dispositivi edge AI capaci di raccogliere misurazioni in tempo reale. L’idea è unire dati osservativi e modello per sostenere decisioni rapide durante eventi come gli incendi boschivi, che possono alterare bruscamente la qualità dell’aria. Anche questa è una linea di esplorazione. Restano aperti aspetti pratici come la densità e l’affidabilità dei sensori, l’omogeneità delle misure, la capacità di riconoscere anomalie e la disponibilità di reti di monitoraggio dove servono davvero.
Dal supercomputer alla scrivania, con alcuni limiti da risolvere
Uno degli elementi più evidenziati da NVIDIA è la portabilità del flusso di lavoro. Dopo la fase di addestramento sul supercomputer, l’inferenza e gli addestramenti più piccoli possono essere eseguiti anche su DGX Spark, sistema desktop basato sul Superchip NVIDIA GB10 Grace Blackwell. Per i ricercatori questo potrebbe rendere più semplice sperimentare, aggiornare il modello o valutare scenari senza prenotare continuamente grandi risorse di calcolo centralizzate.
La disponibilità dell’hardware in locale non rende però automaticamente accessibile l’intero processo. La costruzione di modelli affidabili richiede dati di addestramento coerenti, conoscenza della chimica atmosferica, procedure di valutazione indipendenti e competenze per interpretare le incertezze. Inoltre, un modello basato su simulazioni eredita potenzialmente alcuni limiti delle simulazioni stesse. Un’accelerazione importante dei tempi non basta da sola a dimostrare la qualità di una previsione in ogni area, stagione o condizione meteorologica.
La risoluzione attuale, 2-3 chilometri, è utile per un quadro territoriale nazionale ma non permette di distinguere in modo affidabile le differenze tra due strade vicine, un incrocio trafficato e una zona residenziale. I ricercatori intendono incorporare altri dati aperti per spingersi verso una lettura a scala stradale. È il passaggio che potrebbe rendere il progetto più vicino alle decisioni urbane quotidiane, ma è anche quello in cui aumenta la complessità: l’inquinamento locale risente di traffico, edifici, microclima, fonti emissive e conformazione del terreno.
Per NVIDIA, il progetto offre una dimostrazione concreta della flessibilità della propria famiglia Earth-2 al di fuori della previsione meteorologica. Per l’Università di Manchester è un tentativo di rendere praticabile un tipo di analisi finora vincolato a grandi costi computazionali. Il prossimo banco di prova non sarà soltanto aumentare la risoluzione o ridurre ulteriormente i tempi, ma verificare con osservazioni reali quanto queste previsioni restino robuste e utili quando devono orientare avvisi alla popolazione, interventi pubblici e risposte a eventi ambientali improvvisi.
