Un nouveau système de prévision météorologique et de prédiction du climat futur utilise l’intelligence artificielle (IA) pour obtenir des résultats comparables aux meilleurs modèles existants tout en utilisant beaucoup moins de puissance de calcul, selon ses créateurs.
Dans un article Publié dans Natureune équipe de chercheurs de Google, du MIT, de Harvard et du Centre européen pour les prévisions météorologiques à moyen terme affirme que leur modèle offre d’énormes « économies de calcul » et peut « améliorer les simulations physiques à grande échelle qui sont essentielles pour comprendre et prédire le système terrestre ».
Le modèle NeuralGCM est le dernier d’une série constante de modèles de recherche qui utilisent les avancées de l’apprentissage automatique pour rendre les prévisions météorologiques et climatiques plus rapides et moins chères.
Qu’est-ce que NeuralGCM ?
Le modèle NeuralGCM vise à combiner les meilleures fonctionnalités des modèles traditionnels avec une approche d’apprentissage automatique.
À la base, NeuralGCM est ce que l’on appelle un « modèle de circulation générale ». Il contient une description mathématique de l’état physique de l’atmosphère terrestre et résout des équations complexes pour prédire ce qui se passera dans le futur.
Cependant, NeuralGCM utilise également l’apprentissage automatique (un processus de recherche de modèles et de régularités dans de vastes volumes de données) pour certains processus physiques moins bien compris, comme la formation des nuages. L’approche hybride garantit que les résultats des modules d’apprentissage automatique seront conformes aux lois de la physique.
Les chercheurs de Google expliquent le modèle NeuralGCM.
Le modèle obtenu peut ensuite être utilisé pour faire des prévisions météorologiques sur plusieurs jours et plusieurs semaines à l’avance, ainsi que pour prévoir le climat sur plusieurs mois et plusieurs années.
Les chercheurs ont comparé NeuralGCM à d’autres modèles à l’aide d’un ensemble standardisé de tests de prévision appelés WeatherBench 2Pour les prévisions à trois et cinq jours, NeuralGCM a obtenu des résultats à peu près aussi bons que d’autres modèles météorologiques d’apprentissage automatique tels que Pangu et GraphCastPour les prévisions à plus long terme, sur dix et quinze jours, NeuralGCM était à peu près aussi précis que les meilleurs modèles traditionnels existants.
NeuralGCM a également connu un certain succès dans la prévision de phénomènes météorologiques moins courants, tels que les cyclones tropicaux et les rivières atmosphériques.
Pourquoi l’apprentissage automatique ?
Les modèles d’apprentissage automatique reposent sur des algorithmes qui apprennent des modèles dans les données qui leur sont fournies, puis utilisent cet apprentissage pour faire des prévisions. Les systèmes climatiques et météorologiques étant extrêmement complexes, les modèles d’apprentissage automatique nécessitent de grandes quantités d’observations historiques et de données satellites pour leur formation.
Le processus de formation est très coûteux et nécessite beaucoup de puissance de calcul. Cependant, une fois le modèle formé, son utilisation pour faire des prévisions est rapide et peu coûteuse. C’est l’une des principales raisons de leur attrait pour les prévisions météorologiques.
Le coût élevé de la formation et le faible coût d’utilisation sont similaires à ceux d’autres types de modèles d’apprentissage automatique. GPT-4, par exemple, apparemment Il a fallu plusieurs mois de formation pour un coût de plus de 100 millions de dollars, mais il peut répondre à une requête en quelques instants.
L’une des faiblesses des modèles d’apprentissage automatique est qu’ils ont souvent du mal à fonctionner dans des situations inhabituelles, comme dans le cas présent, des conditions météorologiques extrêmes ou sans précédent. Pour ce faire, un modèle doit être capable de généraliser ou d’extrapoler au-delà des données sur lesquelles il a été formé.
NeuralGCM semble être plus performant que d’autres modèles d’apprentissage automatique dans ce domaine, car son noyau basé sur la physique fournit un certain ancrage dans la réalité. À mesure que le climat de la Terre change, des conditions météorologiques sans précédent deviendront plus courantes, et nous ne savons pas dans quelle mesure les modèles d’apprentissage automatique parviendront à suivre le rythme.
Personne n’utilise encore de modèles météorologiques basés sur l’apprentissage automatique pour les prévisions quotidiennes. Il s’agit pourtant d’un domaine de recherche très actif et, d’une manière ou d’une autre, nous pouvons être certains que les prévisions du futur s’appuieront sur l’apprentissage automatique.
Cet article est republié à partir de La conversation sous licence Creative Commons. Lire la suite article original.