Cette année était un défilé sans arrêt d’événements météorologiques extrêmes. Une chaleur sans précédent a balayé la planète. Cet été était le plus chaud de la Terre depuis 1880. Des crues soudaines en Californie et des tempêtes de verglas au Texas aux incendies de forêt dévastateurs à Maui et au Canada, les événements liés aux conditions météorologiques ont profondément affecté les vies et les communautés.

Chaque seconde compte lorsqu’il s’agit de prédire ces événements. L’IA pourrait aider.

Cette semaine, Google DeepMind a publié une IA qui fournit des prévisions météorologiques sur 10 jours avec une précision et une rapidité sans précédent. Appelé GraphCast, le modèle peut parcourir des centaines de points de données météorologiques pour un emplacement donné et générer des prévisions en moins d'une minute. Lorsqu’elle est confrontée à plus d’un millier de conditions météorologiques potentielles, l’IA bat les systèmes de pointe environ 90 % du temps.

Mais GraphCast ne consiste pas seulement à créer une application météo plus précise pour choisir des garde-robes.

Bien qu’elle n’ait pas été explicitement entraînée à détecter des conditions météorologiques extrêmes, l’IA a détecté plusieurs événements atmosphériques liés à ces conditions. Par rapport aux méthodes précédentes, elle a suivi avec plus de précision les trajectoires des cyclones et a détecté les rivières atmosphériques, des régions nerveuses de l’atmosphère associées aux inondations.

GraphCast a également prédit l’apparition de températures extrêmes bien avant les méthodes actuelles. Avec 2024 s’annonce encore plus chaude et les événements météorologiques extrêmes se multiplient, les prévisions de l'IA pourraient donner aux communautés un temps précieux pour se préparer et potentiellement sauver des vies.

"GraphCast est désormais le système mondial de prévisions météorologiques sur 10 jours le plus précis au monde et peut prédire des événements météorologiques extrêmes plus loin dans le futur qu'il n'était possible auparavant", les auteurs écrit dans un article du blog DeepMind.

Jours de pluie

Prédire les conditions météorologiques, ne serait-ce qu'une semaine à l'avance, est un problème ancien mais extrêmement difficile. Nous basons de nombreuses décisions sur ces prévisions. Certaines sont ancrées dans notre quotidien : dois-je prendre mon parapluie aujourd’hui ? D’autres décisions sont une question de vie ou de mort, comme quand donner l’ordre d’évacuer ou de se mettre à l’abri sur place.

Notre logiciel de prévision actuel repose en grande partie sur des modèles physiques de l’atmosphère terrestre. En examinant la physique des systèmes météorologiques, les scientifiques ont rédigé un certain nombre d’équations à partir de plusieurs décennies de données, qui sont ensuite introduites dans des superordinateurs pour générer des prévisions.

Un exemple frappant est le système de prévision intégré du Centre européen pour les prévisions météorologiques à moyen terme. Le système utilise des calculs sophistiqués basés sur notre compréhension actuelle des conditions météorologiques pour produire des prévisions toutes les six heures, fournissant ainsi au monde certaines des prévisions météorologiques les plus précises disponibles.

Ce système « et plus généralement les prévisions météorologiques modernes, sont des triomphes de la science et de l’ingénierie », a écrit l’équipe DeepMind.

Au fil des années, la précision des méthodes basées sur la physique s’est rapidement améliorée, en partie grâce à des ordinateurs plus puissants. Mais ils restent longs et coûteux.

Ce n'est pas surprenant. La météo est l’un des systèmes physiques les plus complexes sur Terre. Vous avez peut-être entendu parler de l'effet papillon : un papillon bat des ailes et ce petit changement dans l'atmosphère modifie la trajectoire d'une tornade. Bien qu’il ne s’agisse que d’une métaphore, elle illustre la complexité de la prévision météorologique.

GraphCast a adopté une approche différente. Oubliez la physique, trouvons des modèles uniquement dans les données météorologiques passées.

Un météorologue IA

GraphCast s'appuie sur un type de Réseau neuronal cela a déjà été utilisé pour prédire d’autres systèmes basés sur la physique, tels que la dynamique des fluides.

Il comporte trois parties. Tout d’abord, l’encodeur mappe les informations pertinentes (par exemple, la température et l’altitude à un certain emplacement) sur un graphique complexe. Considérez cela comme une infographie abstraite que les machines peuvent facilement comprendre.

La deuxième partie est le processeur qui apprend à analyser et transmettre les informations à la partie finale, le décodeur. Le décodeur traduit ensuite les résultats en une carte de prévision météorologique réelle. Au total, GraphCast peut prédire les conditions météorologiques pour les six prochaines heures.

Mais six heures ne font pas 10 jours. Voici le kicker. L’IA peut apprendre de ses propres prévisions. Les prévisions de GraphCast sont réinjectées en entrée, lui permettant de prédire progressivement la météo à plus long terme. C'est une méthode qui est également utilisée dans les systèmes de prévision météorologique traditionnels, a écrit l'équipe.

GraphCast a été formé sur près de quatre décennies de données météorologiques historiques. Adoptant une stratégie « diviser pour régner », l’équipe a divisé la planète en petites parcelles, d’environ 17 milles sur 17 à l’équateur. Cela a abouti à plus d’un million de « points » couvrant le globe.

Pour chaque point, l'IA a été entraînée avec des données collectées à deux moments (l'un courant, l'autre il y a six heures) et comprenait des dizaines de variables de la surface et de l'atmosphère de la Terre, comme la température, l'humidité, la vitesse et la direction du vent à de nombreuses altitudes différentes.

La formation était intensive en calcul et a duré un mois.

Cependant, une fois entraînée, l’IA elle-même est très efficace. Il peut produire une prévision sur 10 jours avec un seul TPU en moins d’une minute. Les méthodes traditionnelles utilisant des superordinateurs nécessitent des heures de calcul, a expliqué l'équipe.

Rayon de lumière

Pour tester ses capacités, l’équipe a comparé GraphCast à l’étalon-or actuel en matière de prévision météorologique.

L’IA était plus précise dans près de 90 % du temps. Il excellait particulièrement en s’appuyant uniquement sur les données de la troposphère – la couche de l’atmosphère la plus proche de la Terre et essentielle pour les prévisions météorologiques – battant la concurrence dans 99.7 % des cas. GraphCast a également surperformé Pangu-Météo, un modèle météorologique de premier plan qui utilise l'apprentissage automatique.

L'équipe a ensuite testé GraphCast dans plusieurs scénarios météorologiques dangereux : suivi des cyclones tropicaux, détection des rivières atmosphériques et prévision de la chaleur et du froid extrêmes. Bien qu’elle n’ait pas été formée aux « signes d’avertissement » spécifiques, l’IA a sonné l’alarme plus tôt que les modèles traditionnels.

Le modèle a également bénéficié de l’aide de la météorologie classique. Par exemple, l'équipe a ajouté un logiciel de suivi des cyclones existant aux prévisions de GraphCast. La combinaison a porté ses fruits. En septembre, l’IA a réussi à prédire la trajectoire de l’ouragan Lee alors qu’il balayait la côte Est en direction de la Nouvelle-Écosse. Le système a prédit avec précision l'arrivée de la tempête neuf jours à l'avance, soit trois jours précieux plus rapidement que les méthodes de prévision traditionnelles.

GraphCast ne remplacera pas les modèles traditionnels basés sur la physique. DeepMind espère plutôt pouvoir les renforcer. Le Centre européen pour les prévisions météorologiques à moyen terme expérimente déjà le modèle pour voir comment cela pourrait être intégré dans leurs prédictions. DeepMind s'efforce également d'améliorer la capacité de l'IA à gérer l'incertitude, un besoin crucial étant donné le comportement de plus en plus imprévisible de la météo.

GraphCast n'est pas le seul météorologue IA. Les chercheurs de DeepMind et de Google en ont déjà construit deux régional numériques jumeaux (digital twin models) qui peut prévoir avec précision la météo à court terme 90 minutes ou 24 heures à l’avance. Cependant, GraphCast peut voir plus loin. Lorsqu’elle est utilisée avec un logiciel météorologique standard, cette combinaison pourrait influencer les décisions en cas d’urgence météorologique ou orienter les politiques climatiques. Au moins, nous pourrions être plus confiants quant à la décision de mettre ce parapluie au travail.

« Nous pensons que cela marque un tournant dans les prévisions météorologiques », écrivent les auteurs.

Crédit image: Google DeepMind

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/