Google a dévoilé NeuralGCM, un modèle hybride de prévision météorologique qui combine l'apprentissage automatique et les techniques de prévision traditionnelles et qui présente des avantages surprenants.
La précision des prévisions météorologiques s'est considérablement améliorée, mais les techniques traditionnelles nécessitent de vastes ressources informatiques pour faire fonctionner des algorithmes de plus en plus complexes.
Les modèles de circulation générale (MCG) sont à la base des prévisions climatiques et météorologiques qui vous permettent de savoir si vous aurez besoin d'un parapluie demain.
Les MCG sont des simulateurs basés sur la physique qui utilisent des équations mathématiques fondées sur les lois de la physique pour simuler la façon dont l'air, l'eau et l'énergie se déplacent sur la planète.
Les MCG typiques divisent la surface de la Terre en une grille de cellules allant jusqu'à 100 kilomètres, comme un échiquier géant. L'algorithme traite chaque case selon une approche progressive afin de prédire comment les conditions atmosphériques sont susceptibles de changer.
Les équations qui sous-tendent les MCG sont incroyablement complexes et occupent certains des plus grands superordinateurs du monde.
Les modèles d'apprentissage automatique pour les prévisions météorologiques ont montré un potentiel important, mais ils sont essentiellement basés sur des données.
Un modèle de prévision météorologique ML a une bonne idée des données météorologiques historiques, mais ne dispose pas de la compréhension inhérente des lois physiques régissant l'atmosphère qui sont modélisées dans un MCG.
Les modèles ML sont rapides et peuvent fournir des prévisions précises à court terme, mais ils ont souvent du mal à assurer la stabilité à long terme et la rareté des événements météorologiques extrêmes ou des scénarios climatiques futurs.
NeuralGCM, développé par une équipe de Google Research, combine la précision et les capacités de prévision à long terme des MCG traditionnels avec la résolution améliorée, l'efficacité et la vitesse des modèles ML.
NeuralGCM est disponible gratuitement et nous sommes impatients de voir comment les scientifiques l'utiliseront.
Pour plus de détails, voir mon article de blog décrivant le travail, et notre code source ouvert :https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22 juillet 2024
Le document indique que la précision de NeuralGCM est comparable ou supérieure à celle des modèles GCM les plus récents. Il indique que NeuralGCM est "le premier modèle basé sur l'apprentissage automatique à établir des prévisions météorologiques d'ensemble précises, avec un meilleur CRPS que les modèles basés sur la physique les plus récents".
Le CRPS est un score qui compare les prévisions météorologiques avec les conditions météorologiques réelles.
Les chercheurs affirment que "NeuralGCM est compétitif par rapport aux modèles d'apprentissage automatique pour les prévisions à un ou dix jours, et par rapport aux prévisions d'ensemble du Centre européen pour les prévisions météorologiques à moyen terme pour les prévisions à un ou quinze jours".
Si le NeuralGCM permet d'obtenir des résultats de prévision comparables à ceux des MCG, il est beaucoup moins gourmand en ressources informatiques et beaucoup moins complexe.
Le document ne précise pas la taille de NeuralGCM mais propose le modèle de prévision météorologique ML de Google GraphCast à titre de comparaison.
GraphCast comprend environ 5 417 lignes, tandis que le modèle atmosphérique FV3 de la National Oceanic and Atmospheric Administration (NOAA) compte environ 376 578 lignes de code.
Selon les chercheurs, NeuralGCM permet d'économiser "3 à 5 ordres de grandeur en ressources informatiques".
Pour situer le contexte, le document explique que "NeuralGCM-1.4° simule 70 000 jours de simulation en 24 heures à l'aide d'une seule unité de traitement tensoriel, contre 19 jours simulés sur 13 824 cœurs d'unité de traitement central avec X-SHiELD", qui est un modèle de prévision météorologique à haute résolution.
Les chercheurs affirment que leurs résultats montrent que leur modèle possède d'impressionnantes capacités de modélisation du climat. L'article note que "les modèles NeuralGCM formés sur des prévisions à 72 heures sont capables de simulations pluriannuelles réalistes".
La combinaison de l'apprentissage automatique avec les modèles physiques traditionnels, comme l'a fait Google avec les prévisions météorologiques, "a le potentiel de transformer la simulation pour un large éventail d'applications, telles que la découverte de matériaux, le repliement de protéines et la conception d'ingénierie multiphysique".
L'IA, très gourmande en ressources, a fait des centres de données une cible de choix. critiques concernant leurs émissions de carbone et leur impact potentiel sur le climat.
Le NeuralGCM est un bon exemple de la manière dont l'IA pourrait avoir un impact positif sur l'environnement en remplaçant, ou en augmentant, les processus traditionnels inefficaces afin de réduire la consommation d'énergie informatique.
