Skillful seasonal forecasts with a freely evolving AI weather model
Cet article présente le Functional Graph Transformer (FGT), un modèle d'IA probabiliste et rapide qui parvient à des prévisions saisonnières habiles et en libre évolution en surpassant la climatologie dans la plupart des cas et en égalant la précision du système de pointe SEAS5 tout en s'exécutant des ordres de grandeur plus rapidement.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez essayer de prédire la météo non pas seulement pour demain, mais pour les six prochains mois. C'est un peu comme essayer de deviner l'intrigue d'un film qui n'a pas encore été filmé, où les acteurs (le vent, la pluie et les courants océaniques) improvisent sauvagement. Les scientifiques savent depuis longtemps que l'atmosphère est chaotique ; un changement infime aujourd'hui peut mener à une tempête complètement différente la semaine prochaine. À cause de cela, les modèles météorologiques traditionnels sont comme des supercalculateurs exécutant une simulation physique massive et détaillée de la planète entière. Ils sont incroyablement puissants mais aussi incroyablement lourds, nécessitant des quantités énormes d'énergie et de temps pour exécuter ne serait-ce qu'une seule prévision.
Cependant, il existe une approche plus récente et plus rapide utilisant l'Intelligence Artificielle (IA). Considérez les modèles météorologiques d'IA comme un étudiant qui aurait lu tous les rapports météo des 70 dernières années et appris à repérer des schémas. Bien que ces étudiants de l'IA soient excellents pour prédire les prochains jours, ils ont souvent du mal à garder une cohérence dans leur récit lorsqu'on leur demande de prédire des mois à l'avance. Ils ont tendance à oublier les connexions de la « vue d'ensemble » entre l'océan, la terre et le ciel, ou ils s'enferment dans une boucle où la météo se répète simplement. La grande question de la science actuelle est la suivante : pouvons-nous construire une IA qui ne se contente pas de deviner le jour suivant, mais qui peut réellement « vivre » à l'intérieur du système météorologique pendant des mois, en évoluant naturellement comme le monde réel le fait, sans avoir besoin qu'un humain corrige constamment son histoire ?
C'est exactement ce que les chercheurs derrière cet article ont cherché à faire. Ils ont introduit un nouveau système d'IA appelé le Functional Graph Transformer (FGT). Contrairement aux anciens modèles d'IA à qui l'on disait quelle serait la température de l'océan (comme si on leur donnait un script), le FGT est en « évolution libre ». Cela signifie qu'il prédit l'atmosphère, la température de la surface de la mer, la glace de mer et l'humidité du sol, tout cela en même temps, jour après jour, en se basant entièrement sur ses propres prédictions précédentes. C'est comme apprendre à un personnage de jeu vidéo à jouer au jeu sans code de triche, en le laissant découvrir par lui-même comment l'océan et l'atmosphère communiquent entre eux.
Les résultats sont très prometteurs. L'équipe a testé son modèle en le faisant progresser vers l'avant pendant six mois et en le comparant à la « référence absolue » de la prévision météorologique, un système massif appelé SEAS5. Ils ont constaté que le FGT était étonnamment performant. Dans un chiffre stupéfiant de 96 % des variables mesurées (de la pluviométrie à la vitesse du vent, à travers différents mois), le FGT a fait mieux que de simplement deviner en se basant sur les moyennes historiques. Plus impressionnant encore, comparé directement au système lourd SEAS5, le FGT a réussi à conserver au moins 80 % de la précision dans 77 % des cas. Et le meilleur dans tout cela ? Il a accompli cela tout en fonctionnant des milliers de fois plus vite, ne prenant qu'environ 19 minutes sur une seule puce informatique puissante pour générer une prévision de six mois pour l'ensemble du globe, alors que le système traditionnel prendrait des jours de temps de supercalculateur.
L'article a également découvert des particularités intéressantes sur la façon dont l'IA apprend. Par exemple, si vous forcez l'IA à simplement « rester figée » sur les conditions initiales de l'océan et du sol (une méthode appelée « persistance »), sa capacité à prédire la pluie diminue en réalité. Mais lorsque l'IA est autorisée à laisser ces conditions de surface changer et évoluer naturellement, ses prévisions de pluie deviennent bien meilleures. Le modèle a également montré qu'il pouvait prédire le timing d'événements climatiques majeurs comme El Niño (un réchauffement de l'océan Pacifique) de manière raisonnable, même s'il sous-estime parfois l'intensité de l'événement. Bien qu'il ne soit pas encore parfait — il éprouve encore quelques difficultés à prédire l'intensité exacte de certains schémas océaniques par rapport aux modèles traditionnels — il prouve qu'une IA peut apprendre à raconter une histoire météorologique cohérente sur plusieurs mois sans avoir besoin qu'un humain lui tienne la main à chaque étape. Cela suggère qu'à l'avenir, nous n'aurons peut-être pas besoin de modèles distincts et lents pour la météo à court terme et les saisons à long terme ; une IA intelligente et rapide pourrait potentiellement gérer toute la chronologie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.