L’IA météo de Google DeepMind peut prévoir les conditions météorologiques extrêmes plus rapidement et avec plus de précision

Dans une recherche publiée aujourd’hui dans Science, le modèle GraphCast de Google DeepMind a été capable de prédire les conditions météorologiques jusqu’à 10 jours à l’avance, avec plus de précision et beaucoup plus rapidement que l’étalon-or actuel. À partir d’un rapport : GraphCast a surpassé le modèle du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) dans plus de 90 % des plus de 1 300 zones de test. Et en ce qui concerne les prévisions pour la troposphère terrestre – la partie la plus basse de l’atmosphère, où se produisent la plupart des conditions météorologiques – GraphCast a surpassé le modèle du CEPMMT sur plus de 99 % des variables météorologiques, telles que la pluie et la température de l’air. Surtout, GraphCast peut également offrir aux météorologues des alertes précises, bien plus tôt que les modèles standard, sur des conditions telles que des températures extrêmes et la trajectoire des cyclones. En septembre, GraphCast a prédit avec précision que l’ouragan Lee toucherait la Nouvelle-Écosse neuf jours à l’avance, explique Remi Lam, chercheur scientifique chez Google DeepMind. Les modèles de prévision météorologique traditionnels ont localisé l’ouragan en Nouvelle-Écosse seulement six jours à l’avance.

[…] Traditionnellement, les météorologues utilisent des simulations informatiques massives pour faire des prévisions météorologiques. Leur exécution est très gourmande en énergie et prend beaucoup de temps, car les simulations prennent en compte, une par une, de nombreuses équations basées sur la physique et différentes variables météorologiques telles que la température, les précipitations, la pression, le vent, l’humidité et la nébulosité. GraphCast utilise l’apprentissage automatique pour effectuer ces calculs en moins d’une minute. Au lieu d’utiliser des équations basées sur la physique, il fonde ses prévisions sur quatre décennies de données météorologiques historiques. GraphCast utilise des réseaux neuronaux graphiques, qui cartographient la surface de la Terre en plus d’un million de points de grille. À chaque point de la grille, le modèle prédit la température, la vitesse et la direction du vent, la pression moyenne au niveau de la mer, ainsi que d’autres conditions telles que l’humidité. Le réseau neuronal est alors capable de trouver des modèles et de tirer des conclusions sur ce qui se passera ensuite pour chacun de ces points de données.