Google AI prévoit les tendances et la météo du climat à long terme - en quelques minutes

Un modèle informatique qui combine la technologie des prévisions météorologiques conventionnels avec l'apprentissage automatique a d'autres outils basés sur l'intelligence artificielle (KI) à Prédiction des scénarios météorologiques et des tendances climatiques à long terme Excéder.

L'outil, qui a été décrit le 22 juillet dans Nature 1 Le modèle d'apprentissage qui génère des prévisions météorologiques de précision - celles qui représentent un numéro de scénarios. Son développement ouvre la porte aux prédictions qui sont plus rapides et moins à forte intensité d'énergie que les outils existantes et sont plus détaillées que les approches basées exclusivement sur l'IA.

«Les modèles climatiques traditionnels doivent être effectués sur les supercalculateurs. Il s'agit d'un modèle que vous pouvez réaliser en quelques minutes», explique l'étude Mitar Stephan Hoyer, qui étudie à Google Research à Mountain, en Californie, en profondeur.

Les systèmes prédictifs actuels reposent généralement sur des modèles de circulation générale (GCM), des programmes qui reposent sur les lois de la physique pour simuler les processus dans les océans et l'atmosphère de la terre et prédire comment ils pourraient influencer le temps et le climat. Cependant, les GCM nécessitent beaucoup de puissance de calcul et les progrès dans l'apprentissage automatique offrent une alternative plus efficace. "Nous avons des téraoctets ou des pétaoctets (un million de fois plus élevés qu'un gigaoctet) de données météorologiques historiques", explique Hoyer. «En apprenant de ces modèles, nous pouvons construire de meilleurs modèles.»

Il existe déjà des modèles d'apprentissage automatique tels que Pangu-Weather, qui a été créé par le conglomérat technologique Huawei, basé à Shenzhen, Chine et Graphcast par DeepMind avec le siège à Londres. Ces modèles ont des niveaux de précision similaires en tant que GCM typiques pour les prédictions déterministes - une approche qui génère une seule prévision météorologique. Cependant, les GCM ne sont pas si fiables pour les prévisions d'ensemble ou les prévisions climatiques à long terme.

«Le problème des approches d'apprentissage mécanique pures est que vous ne les formez que sur les données qu'elle a déjà vues», explique Scott Hosking, qui exploite des recherches sur l'IA et les données environnementales chez les instituts de Londres. "Le climat change en continu, nous allons dans l'inconnu, donc nos modèles d'apprentissage automatique doivent extrapoler dans cet avenir inconnu. En intégrant la physique dans le modèle, nous pouvons nous assurer que nos modèles sont physiquement limités et ne peuvent rien faire de non-réaliste."

Modèle hybride

Hoyer et son équipe ont développé et scolarisé le NEARNGCM, un modèle qui combine «des aspects d'une procédure de prêt atmosphérique basée sur la physique traditionnelle avec certains composants de l'IA», explique Hoyer. Ils ont utilisé le modèle pour créer des prévisions météorologiques à court et à long terme et des projections climatiques. Afin d'évaluer la précision de la NEuralGCM, les chercheurs ont comparé ses prévisions avec les données réelles ainsi que les dépenses d'autres modèles, y compris les GCM et ceux qui sont basés sur l'apprentissage automatique.

Comme les modèles d'apprentissage automatique actuels, NEURALGCM a pu produire des prévisions météorologiques déterministes à court terme à court terme - entre un et trois jours à l'avance - consommant une fraction de l'énergie requise pour les GCM. Cependant, lors de la production de prévisions à long terme sur sept jours, il a fait beaucoup moins d'erreurs que les autres modèles d'apprentissage mécanique. En fait, les prévisions à long terme du NEURALGCM étaient similaires aux prédictions du modèle d'ensemble du Centre européen pour les prévisions météorologiques à moyenne portée (ECMWF-EN), un GCM qui est largement considéré comme une étalon-or pour les prévisions météorologiques.

L'équipe a également testé la façon dont le modèle pouvait prédire différents phénomènes météorologiques, tels que les cyclones tropicaux. Ils ont constaté que de nombreux modèles d'apprentissage automatique pur fournissaient des prédictions incohérentes et inexactes par rapport à la fois à la NEuralGCM et à l'ECMWF-EN. Les chercheurs ont même comparé le neuralgcm avec des modèles climatiques à haute résolution, qui sont connus sous le nom de modèles mondiaux de résolution des tempêtes. NEURALGCM a pu produire des nombres et des trajectoires de cyclone tropicaux plus réalistes dans un temps plus court.

La capacité de prédire de tels événements est «si importante pour améliorer les compétences de décision et les stratégies préparatoires», explique Hosking.

Hoyer et ses collègues veulent affiner et s'adapter davantage. "Nous avons travaillé sur la partie atmosphérique de la modélisation du système terrestre ... c'est peut-être la partie qui a l'effet le plus direct sur le temps quotidien", explique Hoyer. Il ajoute que l'équipe veut intégrer plus d'aspects des sciences de la Terre dans les futures versions pour améliorer encore la précision du modèle.