NeuralGCM de Google révolutionne les prévisions météorologiques grâce à l'IA
L’intelligence artificielle est à l’origine d’une percée dans les prévisions météorologiques et climatiques. Les progrès en matière de prédictions sont rendus possibles par l'apprentissage automatique en combinaison avec la physique, en nouveau modèle développé par Google. Utilisant un hybride d'apprentissage automatique et d'outils de prédiction existants, un modèle dirigé par Google appelé NeuralGCM a intégré efficacement l'IA dans les modèles physiques atmosphériques conventionnels pour suivre les tendances climatiques décennales et les événements météorologiques extrêmes tels que les cyclones, comme l’a découvert une équipe de scientifiques. Cette combinaison d’apprentissage automatique et de techniques établies pourrait fournir un modèle pour affiner l’utilisation de l’IA dans d’autres domaines, de la découverte de matériaux à la conception technique, suggèrent les chercheurs.
NeuralGCM, qu'est-ce que c'est, comment ça marche
NeuralGCM s'est avéré beaucoup plus rapide que les prévisions météorologiques et climatiques traditionnelles et meilleur que les modèles basés uniquement sur l'IA pour les prévisions à long terme, ont-ils déclaré. « NeuralGCM démontre que lorsque nous combinons l'IA avec des modèles basés sur la physique, nous pouvons considérablement améliorer la précision et la vitesse des simulations du climat atmosphérique », déclare Stephan Hoyer, ingénieur principal chez Google Research et co-auteur d'une étude publiée dans Nature.
L'étude a révélé que NeuralGCM était plus rapide, plus précis et utilisait moins de puissance de calcul lors des tests qu'un modèle de prévision actuel basé sur des instruments physiques atmosphériques appelés X-SHIELD, actuellement en cours de développement par une branche de la National Oceanic and Atmospheric Administration des États-Unis. Dans un essai, NeuralGCM a identifié presque autant de cyclones tropicaux que les trackers d’événements extrêmes conventionnels, et deux fois plus que X-SHiELD.
Lors d’un autre test basé sur les niveaux de température et d’humidité en 2020, le taux d’erreur était inférieur de 15 à 50 %. Les calculs NeuralGCM ont pu générer 70 000 jours de simulation en 24 heures en utilisant l'une des unités personnalisées Unités de traitement tenseur IA de Google, selon l'étude. À titre de comparaison, pour des calculs comparables, X-SHiELD n'a généré que 19 jours de simulation, nécessitant 13 824 unités informatiques pour ce faire.
Le rôle de Google
Google a collaboré au développement de NeuralGCM avec le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF). Le groupe européen a rendu public son modèle en juin et Google l'a livré accès libre le code pour NeuralGCM. Il utilise 80 ans de données d’observation du CEPMMT et d’analyses rétrospectives pour l’apprentissage automatique. L'unité DeepMind de Google a dévoilé l'année dernière un modèle uniquement basé sur l'IA appelé GraphCast qui a surpassé les méthodes conventionnelles jusqu'à 10 jours à l'avance.
Google a participé à un nombre croissant d'initiatives de surveillance environnementale. Elle fournit un soutien technologique à une mission satellitaire visant à suivre les émissions de méthane qui réchauffent la planète et collabore avec la NASA, l'agence spatiale américaine, pour aider les gouvernements locaux à surveiller la qualité de l'air.
NeuralGCM plus précis que l'apprentissage automatique seul
Même les agences de prévision établies telles queBureau météorologique du Royaume-Uni Ils envisagent d’intégrer l’apprentissage automatique dans leur travail. Peter Dueben, responsable de la modélisation du système terrestre au CEPMMT et co-auteur de l'étude la plus récente, a déclaré que les modèles basés uniquement sur l'IA étaient « souvent considérés avec scepticisme » par les experts car ils ne s'appuyaient pas sur des équations mathématiques dérivées de la physique. Combiner le modèle basé sur la physique avec l’apprentissage profond « semble obtenir le meilleur des deux mondes », a-t-il ajouté, notant que l’approche représentait « un grand pas en avant vers la modélisation climatique par apprentissage automatique ». Il y avait encore « du travail à faire », comme permettre à NeuralGCM d'estimer l'impact des augmentations de CO₂ sur les températures de surface mondiales, a déclaré Dueben. D'autres domaines dans lesquels le modèle devait être amélioré incluaient sa capacité à simuler des climats sans précédent, selon l'étude.
Un expert non impliqué dans les travaux, Cédric M. John, responsable de la science des données pour l'environnement et le développement durable à l'Université Queen Mary de Londres, a déclaré qu'il existe des « preuves convaincantes » que NeuralGCM est plus précis que l'apprentissage automatique seul et plus rapide que « l'apprentissage automatique complet ». -modèle « physique ». Bien qu’il y ait encore « une marge d’amélioration », la possibilité d’erreur devrait être mesurable et les mises à jour devraient être possibles, a-t-il suggéré.
« Il est important de noter que ce modèle hybride est capable de capturer un ensemble de prévisions, et l'implication pratique est qu'une estimation de l'incertitude de la prévision peut être dérivée », a déclaré John.