L'IA surpasse notre meilleure technologie de prévision météorologique, grâce à DeepMind
Dans les simulations, le modèle d'IA monopuce de DeepMind était plus précis qu'un programme de prévision climatique traditionnel basé sur un superordinateur.
Les données d'une simulation sur plusieurs décennies, appelée ERA5, sont introduites dans le réseau graphique GraphCast sous la forme d'un ensemble de mesures à un point particulier. En parcourant le graphique, GraphCasts prédit la prochaine mesure pour ce point et pour ses voisins.
Les climatologues ont passé des décennies à rassembler des données sur l’évolution du temps à différents endroits du monde. Des efforts tels que ERA5, un enregistrement du climat remontant à 1950, développé par le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), sont une sorte de simulation de la Terre au fil du temps, un enregistrement de la vitesse du vent, de la température et de la pression atmosphérique. , et d'autres variables, heure par heure.
DeepMind de Google annonce cette semaine ce qu'il appelle un tournant dans l'utilisation de toutes ces données pour faire des prévisions météorologiques à moindre coût. Fonctionnant sur une seule puce d'IA, l'unité de traitement tensoriel (TPU) de Google, les scientifiques de DeepMind ont pu exécuter un programme capable de prédire les conditions météorologiques avec plus de précision qu'un modèle traditionnel exécuté sur un superordinateur.
L'article de DeepMind est publié dans le numéro de la semaine prochaine de la revue scientifique Science, accompagné d'un article qui compare l'article à une « révolution » dans les prévisions météorologiques.
Attention, GraphCast, comme on appelle le programme, ne remplace pas les modèles de prévision traditionnels, selon l'auteur principal Remi Lam et ses collègues de DeepMind. Ils y voient plutôt un « complément » potentiel aux méthodes existantes. En effet, la seule raison pour laquelle GraphCast est possible est parce que les climatologues humains ont construit les algorithmes existants qui ont été utilisés pour « réanalyser », c'est-à-dire remonter dans le temps et compiler les énormes données quotidiennes d'ERA5. Sans cet effort de précision pour créer un modèle météorologique mondial, il n’y aurait pas de GraphCast.
Le défi relevé par Lam et son équipe était de prendre un certain nombre d'enregistrements météorologiques ERA5 et de voir si leur programme, GraphCast, pouvait prédire certains enregistrements inédits mieux que l'étalon-or en matière de prévision météorologique, un système appelé HRES, également développé par le CEPMMT.
HRES, qui signifie High RESolution Forecast, prédit la météo pour les 10 prochains jours, partout dans le monde, en utilisant une heure de travail, sur une zone d'environ 10 kilomètres carrés. Le HRES est rendu possible grâce à des modèles mathématiques développés au fil des décennies par les chercheurs. HRES est "amélioré par des experts hautement qualifiés", ce qui, bien que précieux, "peut être un processus long et coûteux", écrivent Lam et son équipe, et qui s'accompagne du coût de superordinateurs de plusieurs millions de dollars.
La question est de savoir si une forme d’IA d’apprentissage profond pourrait faire correspondre ce modèle créé par des scientifiques humains avec un modèle généré automatiquement.
GraphCast prend des données météorologiques telles que la température et la pression atmosphérique et les représente comme un point unique pour une zone carrée du globe. Ce point individuel est lié aux conditions météorologiques des zones voisines par ce que l'on appelle des « bords ». Pensez au graphe social de Facebook, où chaque personne est un point et est liée à ses amis par une ligne. L'atmosphère terrestre devient une masse de points, chaque zone carrée étant reliée par des lignes représentant la relation entre le temps de chaque zone et celui de la zone voisine.
C'est le "graphique" dans GraphCast. Techniquement, il s’agit d’un domaine bien établi de l’IA d’apprentissage profond appelé réseau neuronal graphique. Un réseau neuronal est formé pour déterminer les relations entre les points et les lignes, et comment ces relations peuvent changer au fil du temps.
Armés du réseau neuronal GraphCast, Lam et son équipe ont saisi 39 ans de données ERA5 sur la pression atmosphérique, la température, la vitesse du vent, etc., puis ont mesuré dans quelle mesure ils prédisaient ce qui se passerait ensuite sur une période de 10 jours en comparaison. aux programmes HRES.
Il faut un mois sur 32 puces TPU travaillant de concert pour entraîner GraphCast sur les données ERA5 ; c'est le processus de formation dans lequel le réseau neuronal a ses paramètres - ou « poids » neuronaux - réglés au point où ils peuvent faire des prédictions de manière fiable. Ensuite, un groupe de données ERA5 qui ont été mises de côté - les données « retenues », comme on l'appelle - est introduit dans le programme pour voir si le GraphCast formé peut prédire à partir des points de données comment ces points vont changer. sur dix jours - prédisant efficacement la météo à l'aide de ces données simulées.
"GraphCast surpasse considérablement" HRES sur 90 % des tâches de prédiction, observent les auteurs. GraphCast est également capable de surpasser HRES pour prédire la forme des développements extrêmement chauds et froids. Ils remarquent que HRES fait mieux avec les prévisions liées à la stratosphère, par rapport aux changements météorologiques en surface.
Il est important de réaliser que GraphCast ne prédit pas activement la météo en production. Ce qu'il a réussi, c'est une expérience contrôlée avec des données météorologiques déjà connues, et non des données réelles.
Une limitation intéressante de GraphCast est qu’il trébuche lorsqu’il sort d’une période de 10 jours, notent Lam et son équipe. Comme ils l’écrivent, « l’incertitude augmente lorsque les délais de livraison sont plus longs ». GraphCast devient « flou » lorsque les choses deviennent plus incertaines. Cela suggère qu'ils doivent apporter des modifications à GraphCast pour gérer la plus grande incertitude liée aux périodes plus longues, probablement en élaborant un « ensemble » de prévisions qui se chevauchent. "Construire des prévisions probabilistes qui modélisent plus explicitement l'incertitude… est une prochaine étape cruciale", écrivent Lam et son équipe.
Fait intéressant, DeepMind a de grandes ambitions pour GraphCast. Non seulement GraphCast n’est qu’un élément de ce qu’ils s’attendent à être une famille de modèles climatiques, mais il fait également partie d’un intérêt plus large pour la simulation. Le programme fonctionne sur des données globales qui simulent ce qui se passe dans le temps. Lam et son équipe suggèrent que d'autres phénomènes peuvent être cartographiés et prédits de cette manière, pas seulement la météo.
"GraphCast peut ouvrir de nouvelles directions pour d'autres problèmes importants de prévision géo-spatio-temporelle", écrivent-ils, "notamment le climat et l'écologie, l'énergie, l'agriculture et l'activité humaine et biologique, ainsi que d'autres systèmes dynamiques complexes.
"Nous pensons que les simulateurs appris, formés à partir de données riches et réelles, seront cruciaux pour faire progresser le rôle de l'apprentissage automatique dans les sciences physiques."