Modèle météorologique basé sur l’IA qui utilise 7 000 fois moins de puissance que les modèles traditionnels

La prévision météorologique est l’une des tâches cruciales que nos ordinateurs les plus puissants effectuent. Elle nécessite des millions de calculs et des machines massives pour résoudre des équations, ce qui aide à prédire des conditions telles que la température, le vent et les précipitations. C’est également un outil vital pour prédire les grands événements météorologiques, qui peuvent perturber des régions et des économies entières.

Le domaine de la prévision météorologique continue de s’améliorer rapidement à mesure que notre technologie évolue, devenant plus précise et plus efficace. Un nouveau travail issu d’une collaboration entre l’Université de Washington et Microsoft (MSFT ) Research démontre comment l’intelligence artificielle (IA) peut être utilisée pour ces prévisions exactes. La nouvelle technologie analyse les modèles météorologiques passés pour prédire les événements futurs, et elle le fait de manière plus efficace que les modèles actuels. Avec davantage de progrès, elle pourrait également atteindre un point où elle est beaucoup plus précise que les modèles d’aujourd’hui.

Nouveau modèle météorologique mondial

Le nouveau modèle météorologique mondial utilise les 40 dernières années de données météorologiques pour faire ses prévisions, ce qui diffère des autres qui utilisent des calculs physiques. Le nouveau modèle est simple et basé sur les données, et il peut simuler les modèles météorologiques pour une année entière, étant appliqué partout dans le monde. Il est à la fois plus rapide et tout aussi efficace que les modèles actuels, ce qu’il réalise grâce à des étapes répétées pour chaque prévision.

La recherche a été publiée dans le Journal of Advances in Modeling Earth Systems.

Jonathan Weyn est l’auteur principal de la recherche.

« L’apprentissage automatique est essentiellement une version glorifiée de la reconnaissance de modèles », a déclaré Weyn. « Il voit un modèle typique, reconnaît comment il évolue généralement et décide ce qu’il faut faire en fonction des exemples qu’il a vus au cours des 40 dernières années de données. »

Le nouveau modèle est actuellement moins précis que les modèles de pointe actuels, mais en étant basé sur l’IA, il utilise 7 000 fois moins de puissance informatique pour développer la même gamme de prévisions. Puisqu’il a une charge de travail computationnelle plus petite, il est plus rapide.

Prévision d’ensemble

Avec cette vitesse accrue, les centres de prévision pourraient exécuter plusieurs modèles avec différentes conditions. C’est ce qu’on appelle la « prévision d’ensemble », et elle est utilisée pour prédire une gamme de conditions possibles pour un événement météorologique.

Dale Durran est professeur de sciences atmosphériques à l’UW et auteur de la recherche.

« Il y a tellement plus d’efficacité dans cette approche ; c’est ce qui est si important », a déclaré Durran. « La promesse est qu’elle pourrait nous permettre de traiter les problèmes de prévisibilité en ayant un modèle suffisamment rapide pour exécuter de très grands ensembles. »

Ce projet a commencé lorsque Rich Caruana de Microsoft Research, qui est co-auteur de l’article, a proposé d’utiliser l’IA pour les prévisions météorologiques basées sur les données historiques. Cela signifiait que les lois physiques n’avaient plus à être utilisées pour faire de telles prévisions.

« Après avoir été formé sur les données météorologiques passées, l’algorithme d’IA est capable de trouver des relations entre différentes variables que les équations de physique ne peuvent pas faire », a déclaré Weyn. « Nous pouvons nous permettre d’utiliser beaucoup moins de variables et donc créer un modèle beaucoup plus rapide. »

Le modèle a été testé en prédissant une variable standard de prévision météorologique. Il a fait des prévisions toutes les 12 heures pendant une année entière, et le nouveau modèle était l’un des meilleurs selon WeatherBench, qui est un test de référence pour les prévisions météorologiques basées sur les données.

Les chercheurs doivent continuer à affiner le modèle s’ils veulent l’utiliser aux côtés ou à la place des modèles existants. Les auteurs pensent que cela pourrait être une alternative pour générer des prévisions météorologiques à l’avenir.