Illustration d’une prévision sur six jours de la vitesse du vent à 10 mètres (couleur de remplissage) et de la pression moyenne au niveau de la mer (contours) à l’aide d’une version haute résolution de Stomer (HR-Stormer) exécutée à une résolution horizontale de 30 kilomètres. Crédit : Troy Arcomano/Argonne National Laboratory.
La capacité à créer des modèles météorologiques précis pour les prévisions météorologiques est essentielle pour tous les aspects de l’économie américaine, de l’aviation au transport maritime. Jusqu’à présent, les modèles météorologiques étaient principalement basés sur des équations liées à la thermodynamique et à la dynamique des fluides dans l’atmosphère. Ces modèles sont extrêmement coûteux en termes de calcul et sont généralement exécutés sur de grands superordinateurs.
Des chercheurs d’entreprises du secteur privé comme Nvidia et Google ont commencé à développer de grands modèles d’intelligence artificielle (IA), appelés modèles de base, pour les prévisions météorologiques. Récemment, des scientifiques du laboratoire national d’Argonne du ministère américain de l’Énergie (DOE), en étroite collaboration avec les chercheurs Aditya Grover et Tung Nguyen de l’Université de Californie à Los Angeles, ont commencé à étudier ce type de modèle alternatif. Ce modèle pourrait produire dans certains cas des prévisions encore plus précises que les modèles de prévision numérique du temps existants, pour une fraction du coût de calcul.
Certains de ces modèles surpassent la capacité de prévision des modèles actuels au-delà de sept jours, offrant aux scientifiques une fenêtre supplémentaire sur la météo.
Les modèles de base sont construits sur l’utilisation de « jetons », qui sont de petits éléments d’information qu’un algorithme d’IA utilise pour apprendre la physique qui détermine la météo. De nombreux modèles de base sont utilisés pour le traitement du langage naturel, c’est-à-dire la gestion des mots et des phrases.
Pour ces grands modèles linguistiques, ces jetons sont des mots ou des fragments de langage que le modèle prédit en séquence. Pour ce nouveau modèle de prévision météorologique, les jetons sont plutôt des images, des fragments de graphiques représentant des éléments tels que l’humidité, la température et la vitesse du vent à différents niveaux de l’atmosphère.
« Au lieu de s’intéresser à une séquence de texte, on s’intéresse à des données spatio-temporelles, qui sont représentées par des images », explique Sandeep Madireddy, informaticien à Argonne. « Lorsque l’on utilise ces fragments d’images dans le modèle, on a une idée de leur position relative et de la façon dont ils interagissent en raison de la façon dont ils sont symbolisés. »
L’équipe scientifique peut utiliser des données à assez faible résolution et néanmoins proposer des prévisions précises, a déclaré Rao Kotamarthi, scientifique atmosphérique d’Argonne.
« La philosophie des prévisions météorologiques a toujours été d’atteindre des résolutions plus élevées pour de meilleures prévisions. Cela s’explique par le fait que l’on peut résoudre les problèmes physiques avec plus de précision, mais cela implique bien sûr un coût de calcul important », a-t-il déclaré. « Mais nous constatons maintenant que nous sommes en mesure d’obtenir des résultats comparables aux modèles haute résolution existants, même à une résolution grossière, grâce à la méthode que nous utilisons. »
Bien que des prévisions météorologiques fiables à court terme semblent être un objectif réalisable à court terme avec l’IA, essayer d’utiliser la même approche pour la modélisation climatique, qui implique l’analyse de la météo au fil du temps, présente un défi supplémentaire.
« En théorie, les modèles de fondation pourraient également être utilisés pour la modélisation du climat. Cependant, le secteur privé a davantage de raisons de rechercher de nouvelles approches en matière de prévision météorologique que de modélisation du climat », a déclaré Kotamarthi.
« Les travaux sur les modèles fondamentaux pour la modélisation du climat continueront probablement d’être du ressort des laboratoires nationaux et des universités qui se consacrent à la recherche de solutions dans l’intérêt général. »
L’une des raisons pour lesquelles la modélisation du climat est si difficile est que le climat change en temps réel, a déclaré Troy Arcomano, scientifique environnemental d’Argonne.
« Avec le climat, nous sommes passés d’un état stationnaire à un état non stationnaire. Cela signifie que toutes nos statistiques sur le climat changent avec le temps en raison du carbone supplémentaire dans l’atmosphère. Ce carbone modifie également le bilan énergétique de la Terre », a-t-il déclaré. « C’est compliqué à comprendre numériquement et nous cherchons toujours des moyens d’utiliser l’IA. »
L’introduction du nouveau supercalculateur exascale d’Argonne, Aurora, aidera les chercheurs à former un très grand modèle basé sur l’IA qui fonctionnera à très haute résolution. « Nous avons besoin d’une machine exascale pour pouvoir réellement capturer un modèle à granularité fine avec l’IA », a déclaré Kotamarthi.
Un article basé sur cette étude a reçu le prix du meilleur article lors de l’atelier « Tackling Climate Change with Machine Learning ». L’atelier s’est tenu le 10 mai à Vienne, en Autriche, en conjonction avec la Conférence internationale sur la représentation de l’apprentissage 2024.
Plus d’information:
Nguyen et al. Transformateurs d’échelle pour des prévisions météorologiques à moyen terme fiables et compétentes. Lutter contre le changement climatique grâce à l’apprentissage automatique, ICLR (2024). s3.us-east-1.amazonaws.com/cli … iclr2024/7/paper.pdf
Fourni par le Laboratoire national d’Argonne
Citation:Un nouveau modèle d’IA peut fournir des prévisions de haute précision à partir de données même à faible résolution (2024, 9 juillet) récupéré le 9 juillet 2024 à partir de
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre d’information uniquement.
