Le nouveau système de prévision météorologique de Google combine l'IA et la physique traditionnelle
infohightech ·
Des chercheurs de Google ont mis au point un nouveau modèle de prévision météorologique qui associe l'apprentissage automatique à des techniques plus conventionnelles, ce qui pourrait permettre d'obtenir des prévisions précises pour une fraction du coût actuel.
Ce modèle, appelé NeuralGCM et décrit dans un article publié dans Nature, comble un fossé qui s'est creusé entre les experts en prévisions météorologiques au cours des dernières années.
Si les nouvelles techniques d'apprentissage automatique qui prévoient les conditions météorologiques en s'appuyant sur des années de données antérieures sont extrêmement rapides et efficaces, elles peuvent s'avérer difficiles à mettre en œuvre pour les prévisions à long terme. Les modèles de circulation générale, en revanche, qui ont dominé les prévisions météorologiques au cours des 50 dernières années, utilisent des équations complexes pour modéliser les changements dans l'atmosphère et donner des projections précises, mais ils sont excessivement lents et coûteux à utiliser. Les experts sont divisés sur l'outil qui sera le plus fiable à l'avenir. Le nouveau modèle de Google tente de combiner les deux.
"Il ne s'agit pas d'opposer la physique à l'IA. Il s'agit en fait d'une combinaison de physique et d'IA", explique Stephan Hoyer, chercheur en IA chez Google Research et coauteur de l'article.
Le système utilise toujours un modèle conventionnel pour calculer certains des grands changements atmosphériques nécessaires à l'établissement d'une prévision. Il intègre ensuite l'IA, qui a tendance à donner de bons résultats là où ces grands modèles tombent à plat, généralement pour les prévisions à des échelles inférieures à 25 kilomètres, comme celles qui traitent des formations nuageuses ou des microclimats régionaux (le brouillard de San Francisco, par exemple). "C'est là que nous injectons de l'IA de manière très sélective pour corriger les erreurs qui s'accumulent à petite échelle", explique Stephan Hoyer.
Selon les chercheurs, le résultat est un modèle capable de produire des prévisions de qualité plus rapidement avec moins de puissance de calcul. Ils affirment que NeuralGCM est aussi précis que les prévisions à un ou quinze jours du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT), qui est une organisation partenaire de la recherche.
Aaron Hill, professeur adjoint à l'école de météorologie de l'université d'Oklahoma, qui n'a pas participé à cette recherche, explique que la véritable promesse d'une telle technologie ne réside pas dans l'amélioration des prévisions météorologiques au niveau local. Il s'agit plutôt d'événements climatiques à plus grande échelle dont le coût de modélisation avec les techniques conventionnelles est prohibitif. Les possibilités vont de la prévision des cyclones tropicaux avec plus de précision à la modélisation de changements climatiques plus complexes qui ne se produiront que dans plusieurs années.
"Simuler le globe à l'infini ou sur de longues périodes de temps est une tâche très lourde sur le plan informatique", explique Aaron Hill. Cela signifie que les meilleurs modèles climatiques sont paralysés par les coûts élevés de la puissance de calcul, ce qui constitue un véritable goulot d'étranglement pour la recherche.
Tout le monde pense savoir, mais personne n'est d'accord. Et c'est un problème.
Les modèles basés sur l'IA sont en effet plus compacts. Une fois entraîné, généralement sur 40 ans de données météorologiques historiques de l'ECMWF, un modèle d'apprentissage automatique comme GraphCast de Google peut fonctionner avec moins de 5 500 lignes de code, contre près de 377 000 lignes pour le modèle de la National Oceanic and Atmospheric Administration, d'après l'article.
Selon Aaron Hill, NeuralGCM semble démontrer que l'IA peut être utilisée pour des éléments particuliers de la modélisation météorologique afin d'accélérer les choses, tout en conservant les points forts des systèmes conventionnels.
"Nous n'avons pas besoin de jeter toutes les connaissances que nous avons acquises au cours des 100 dernières années sur le fonctionnement de l'atmosphère", explique-t-il. "Nous pouvons en fait les intégrer à la puissance de l'IA et de l'apprentissage automatique. »
Stephan Hoyer explique que l'utilisation du modèle pour prévoir les conditions météorologiques à court terme a permis de valider ses prévisions, mais que l'objectif est bien de pouvoir l'utiliser pour la modélisation à plus long terme, en particulier pour les risques météorologiques extrêmes.
NeuralGCM sera open source. Si Stephan Hoyer se réjouit de voir les climatologues l'utiliser dans le cadre de leurs recherches, le modèle pourrait également intéresser d'autres personnes que les universitaires. Les négociants en matières premières et les planificateurs agricoles paient le prix fort pour des prévisions à haute résolution, et les modèles utilisés par les compagnies d'assurance pour des produits tels que les assurances contre les inondations ou les conditions météorologiques extrêmes ont du mal à prendre en compte l'impact du changement climatique.
Bien que de nombreux sceptiques de l'IA dans le domaine des prévisions météorologiques aient été convaincus par les développements récents, selon Aaron Hill, la communauté des chercheurs a du mal à suivre le rythme rapide de l'IA. "Il semble qu'un nouveau modèle soit lancé par Google, Nvidia ou Huawei tous les deux mois. Il est donc difficile pour les chercheurs de déterminer lesquels de ces nouveaux outils seront les plus utiles et de demander des subventions de recherche en conséquence."
"L'appétit est là [pour l'IA]", affirme Aaron Hill. "Mais je pense que beaucoup d'entre nous attendent encore de voir ce qui va se passer. »