Schéma du modèle.(UN) Le ou les états météorologiques d’entrée sont définis sur une grille latitude-longitude de 0,25° comprenant un total de 721 × 1 440 = 1 038 240 points. Les couches jaunes dans la fenêtre contextuelle en gros plan représentent les 5 variables de surface et les couches bleues représentent les 6 variables atmosphériques qui se répètent à 37 niveaux de pression (5 + 6 × 37 = 227 variables par point au total), ce qui donne une représentation d’état. de 235 680 480 valeurs. (B) GraphCast prédit le prochain état météo sur la grille. (C) Une prévision est réalisée en appliquant itérativement GraphCast à chaque état prédit précédent, pour produire une séquence d’états qui représentent la météo à des délais successifs. (D) Le composant Encoder de l’architecture GraphCast mappe les régions locales de l’entrée (cases vertes) en nœuds de la représentation graphique multi-maillage (flèches vertes vers le haut qui se terminent par le nœud vert-bleu). (E) Le composant Processeur met à jour chaque nœud multi-maille à l’aide du transfert de messages appris (flèches bleues épaisses qui se terminent sur un nœud). (F) Le composant Decoder mappe les entités multi-maillages traitées (nœuds violets) sur la représentation de la grille (flèches rouges vers le bas qui se terminent par une case rouge). (g) Le multi-maillage est dérivé de maillages icosaédriques de résolution croissante, à partir du maillage de base (M012 nœuds) à la résolution la plus fine (M6, 40 962 nœuds), qui a une résolution uniforme à travers le monde. Il contient l’ensemble des nœuds de M6 et tous les bords de M0 à M6. Le message appris passant sur les bords des différents maillages se produit simultanément, de sorte que chaque nœud est mis à jour par tous ses bords entrants. Crédit: Science (2023). DOI : 10.1126/science.adi2336
Les chercheurs de Google DeepMind ont dévoilé cette semaine un modèle de prévision météorologique très précis basé sur l’IA qui, selon eux, marque « un tournant dans les prévisions météorologiques ».
Dans un article publié dans ScienceRemi Lam, chercheur scientifique chez DeepMind, a déclaré que leur programme est plus rapide et plus précis que les méthodes de prévision actuelles et peut identifier avec précision des caractéristiques telles que la pression atmosphérique, la température, l’humidité et le vent jusqu’à 10 jours à l’avance.
Le modèle, GraphCast, « surpasse considérablement les systèmes déterministes opérationnels les plus précis sur 90 % des 1 380 cibles de vérification », a déclaré Lam.
Depuis des décennies, les prévisions météorologiques reposent sur des formules PNT (prévision numérique du temps), des équations complexes basées sur la physique et couvrant un nombre considérable de variables.
Cette approche balaie les données collectées par les stations météorologiques, les satellites et les équipements océaniques pour projeter les trajectoires des traînées mondiales de chaleur, d’air et de vapeur. Les apports supplémentaires d’analystes experts et la mise à jour constante des algorithmes contribuent à des résultats précis. Mais même avec des superordinateurs, l’ensemble du processus prend du temps, consomme beaucoup d’énergie et coûte cher.
DeepMind a amélioré cette approche en entraînant des modèles d’apprentissage automatique avec 39 ans de données météorologiques. S’affranchissant des équations basées sur la physique, le réseau neuronal de GraphCast traite les données historiques à des vitesses 1 000 à 10 000 fois supérieures à celles des systèmes de prédiction conventionnels.
Sur la base de données de 2018, par exemple, GraphCast a généré des prévisions météorologiques jusqu’à 10 jours à l’avance en moins d’une minute ; les méthodes conventionnelles auraient nécessité des heures de calculs. Et les résultats de GraphCast étaient bien plus précis.
“Dans la troposphère, qui est la partie de l’atmosphère la plus proche de la surface qui nous affecte le plus, GraphCast surpasse (les systèmes conventionnels) sur plus de 99 % des mesures”, a déclaré Lam.
De la même manière, il a surpassé les outils conventionnels à tous les niveaux de l’atmosphère dans 90 % des prévisions.
Selon l’informaticien Aditya Grover de l’Université de Californie à Los Angeles, “GraphCast mène actuellement la course parmi les modèles d’IA”.
Matthew Chantry, du Centre européen pour les prévisions météorologiques à moyen terme, a déclaré au Financial Times que les prévisions météorologiques basées sur l’IA se sont améliorées « bien plus tôt et de manière plus impressionnante que ce à quoi nous nous attendions il y a à peine deux ans ».
GraphCast ne fonctionne pas mieux que les approches actuelles en matière de prévisions très locales, comme les risques de pluie dans votre quartier. Mais il excelle lors des événements météorologiques sur des zones plus vastes, tels que les cyclones tropicaux et les variations inhabituelles de température.
“Notre approche ne doit pas être considérée comme un remplacement des méthodes traditionnelles de prévision météorologique”, a déclaré M. Lam. “Notre travail doit plutôt être interprété comme la preuve que (la prévision météorologique assistée par l’IA) est capable de relever les défis des problèmes de prévision du monde réel et a le potentiel de compléter et d’améliorer les meilleures méthodes actuelles.”
Pendant un certain temps, les prévisions météorologiques – comme aurait pu le dire le comédien Rodney Dangerfield – n’ont « eu aucun respect ». Comme l’a dit un jour un sceptique : « Le problème avec les prévisions météorologiques, c’est qu’elles sont trop souvent bonnes pour nous de les ignorer et trop souvent mauvaises pour nous de nous y fier. »
George Carlin se moquait fréquemment des prévisionnistes dans ses routines : « Prévisions météorologiques à long terme : il va faire très chaud, puis il va faire très froid, puis il va faire très chaud à nouveau. »
GraphCast n’atteint pas encore 1 000, et les gens peuvent encore se moquer des prévisionnistes hors base, mais avec la vitesse vertigineuse des progrès des systèmes d’IA, une prédiction est certaine : l’avenir est brillant et clair pour la prévision météorologique de l’IA.
Le Science L’article est intitulé “Apprendre des prévisions météorologiques mondiales à moyen terme”.
Plus d’information:
Remi Lam et al, Apprendre des prévisions météorologiques mondiales à moyen terme, Science (2023). DOI : 10.1126/science.adi2336
© 2023 Réseau Science X
Citation: L’outil DeepMind établit des prévisions météorologiques sur 10 jours en 60 secondes (15 novembre 2023) récupéré le 15 novembre 2023 sur
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 seulement pour information.