Le modèle météo AI utilise 7,000 XNUMX fois moins d'énergie que les modèles traditionnels

La prévision météorologique est l'une des tâches cruciales que nos ordinateurs les plus puissants entreprennent. Cela nécessite des millions de calculs et des machines massives résolvant des équations, qui aident à prédire des conditions telles que la température, le vent et les précipitations. C'est également un outil essentiel pour prévoir les grands événements météorologiques, qui peuvent perturber des régions et des économies entières.

Le domaine des prévisions météorologiques continue de s'améliorer rapidement à mesure que notre technologie évolue, devenant plus précise et plus efficace. De nouveaux travaux issus d'une collaboration entre l'Université de Washington et Microsoft Research démontrent comment l'intelligence artificielle (IA) peut être utilisée pour ces prédictions exactes. La nouvelle technologie analyse les modèles météorologiques passés pour prédire les événements futurs, et elle le fait plus efficacement que les modèles actuels. Avec plus de progrès, il pourrait également atteindre un point où il est également beaucoup plus précis que les modèles actuels.

Nouveau modèle météo mondial

Le nouveau modèle météorologique mondial utilise les 40 dernières années de données météorologiques pour faire ses prévisions, ce qui est différent des autres qui utilisent des calculs physiques. Le nouveau modèle est simple et basé sur des données, et il peut simuler des conditions 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 par des étapes répétées à chaque prévision

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

Jonathan Weyn est l'auteur principal de la recherche.

"L'apprentissage automatique consiste essentiellement à créer une version glorifiée de la reconnaissance de formes", a déclaré Weyn. "Il voit un modèle typique, reconnaît comment il évolue habituellement et décide quoi faire sur la base 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 XNUMX fois moins de puissance informatique pour développer la même gamme de prévisions. Parce qu'il a une charge de travail de calcul 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 faire des prévisions sur 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 à ce sujet », a déclaré Durran. "La promesse est que cela pourrait nous permettre de résoudre 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, co-auteur de l'article, a proposé d'utiliser l'IA pour les prévisions météorologiques basées sur des données historiques. Cela signifiait qu'il n'était plus nécessaire de s'appuyer sur les lois physiques pour faire de telles prédictions.

"Après une formation sur les données météorologiques passées, l'algorithme d'IA est capable de trouver des relations entre différentes variables que les équations physiques ne peuvent tout simplement pas faire", a déclaré Weyn. "Nous pouvons nous permettre d'utiliser beaucoup moins de variables et donc de créer un modèle beaucoup plus rapide."

Le modèle a été testé en prédisant une variable standard dans les prévisions météorologiques. Il a fait des prévisions toutes les 12 heures pendant une année entière, et le nouveau modèle était l'un des plus performants 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'il doit être utilisé parallèlement ou à la place des modèles existants. Les auteurs pensent que cela pourrait être une alternative à la génération de prévisions météorologiques à l'avenir.