DeepMind Et Google Research Travaillent Ensemble Pour Créer Un « Guerrier Hexagonal » Pour Les Prévisions Météorologiques Basées Sur L'ia
Le 10 décembre, Nature a annoncé les dix meilleures personnes de 2024. Bien que la teneur en or ne soit pas aussi impressionnante que le prix Nobel, cette revue universitaire de premier plan avec une histoire de plus de 100 ans peut être considérée comme un témoin du progrès scientifique, de sorte que ces dix personnes représentent également dans une certaine mesure les événements scientifiques importants de cette année. Dans la liste restreinte,Rémi Lam, chercheur chez Google DeepMind, en fait partie.
Nature rapporte :Lam a été un pionnier dans l’utilisation de l’apprentissage automatique pour améliorer les prévisions météorologiques.Le domaine a progressé à pas de géant au cours des dernières années, et Lam et son équipe ont été à l’avant-garde. Bien que des entreprises/institutions telles que Microsoft, Nvidia, Huawei et le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) se livrent une course pour développer des systèmes de prévision météorologique assistés par l'IA. « Mais pendant la majeure partie de cette année, le leader en matière de précision a été un projet dirigé par Lam appelé GraphCast. »
Il convient de noter que peu de temps avant l’annonce de la liste, l’équipe de Lam a proposé un nouveau modèle de prévision météorologique, GenCast, qui a établi un nouveau record.Un ensemble aléatoire de prévisions mondiales sur 15 jours peut être généré en 8 minutes.Couvre plus de 80 variables de surface et atmosphériques.
Certains lecteurs peuvent se demander pourquoi DeepMind ou Google n'ont pas choisi la voie de développement d'AlphaFold pour les prévisions météorologiques, c'est-à-dire continuer à itérer le même modèle et créer un produit « phénoménal » ? L’auteur avance avec audace l’hypothèse que, d’une part, cela est étroitement lié au cycle de prévision. Les prévisions météorologiques à court, moyen et long terme s’appliquent à différents scénarios et ont des exigences de précision différentes, il est donc difficile d’être cohérent. D’autre part, cela est également lié à l’exploration des voies techniques auxquelles est actuellement confronté le domaine des prévisions météorologiques : l’IA dominera-t-elle le monde ou les prévisions numériques traditionnelles et les prévisions de l’IA coexisteront-elles ?
Prise en compte des prévisions à court/moyen/long terme, intégration des méthodes traditionnelles à l'IA
Prévisions à court terme,Fait généralement référence aux conditions météorologiques des 1 à 3 prochains jours, fournissant des informations relativement détaillées sur les changements météorologiques, telles que la température, les précipitations, la vitesse et la direction du vent, etc., principalement pour fournir des conseils sur la vie quotidienne des gens et pour prendre des précautions en temps opportun en cas de fortes pluies ;Prévisions à moyen terme,Il s'agit des prévisions météorologiques pour les 3 à 10 prochains jours. Les prévisions de tendance ont une portée plus large et sont principalement utilisées pour la planification agricole, la planification des réservoirs, l'alerte aux inondations/sécheresses et la planification de la chaîne d'approvisionnement logistique.Prévisions à long terme,Il s'agit des prévisions météorologiques pour plus de 10 jours dans le futur, fournissant des tendances changeantes et des modèles climatiques, qui peuvent être utilisés pour planifier des projets à grande échelle tels que des infrastructures, ainsi que pour permettre aux services de santé publique de prendre des précautions à l'avance contre les pressions sur les ressources médicales causées par des conditions météorologiques extrêmes telles que les vagues de froid et les températures élevées.
En se concentrant sur le niveau technique,Les prévisions à court terme nécessitent une résolution temporelle plus élevée et des modèles raffinés, tels que des modèles de séries chronologiques basés sur l’apprentissage profond. Les prévisions à moyen terme doivent prendre en compte les processus dynamiques de l’atmosphère et de l’océan sur une période plus longue. Les prévisions à long terme ont tendance à être basées sur la reconnaissance de modèles et de statistiques plutôt que sur des simulations numériques à haute résolution.
D’une manière générale, il est difficile pour un seul modèle de répondre simultanément à la complexité des prévisions à court, moyen et long terme. Par exemple, les prévisions à court terme nécessitent une haute résolution, tandis que les prévisions à long terme nécessitent une large couverture ; Les prévisions météorologiques à court terme sont plus précises, tandis que les prévisions météorologiques à long terme comportent des erreurs plus importantes…Ces différences obligent le modèle à faire des compromis entre différentes tâches, ce qui rend l’optimisation du modèle plus difficile.
Par conséquent, la plupart des résultats de recherche actuels sont ciblés, s'efforçant d'obtenir une grande précision et un temps de traitement court dans des tâches uniques. Google a également adopté cette stratégie dans un premier temps.
En 2023, GraphCast, dont Lam est responsable, a été lancé. Il s'agit d'un modèle autorégressif basé sur des réseaux de neurones graphiques proposé par DeepMind pour les prévisions météorologiques à moyen terme. Il peut être formé directement à partir de données de réanalyse et prédire des centaines de variables météorologiques pour les 10 prochains jours dans le monde entier avec une résolution de 0,25° en 1 minute. Parmi 1 380 cibles de validation, GraphCast surpasse considérablement le système commercial déterministe le plus précis sur les cibles 90%.
En termes de vitesse de prédiction, un seul Google TPU v4 est nécessaire pour réaliser une prévision météorologique sur 10 jours en 60 secondes.
Entrez simplement les conditions météorologiques d'il y a 6 heures et les conditions météorologiques actuelles, et GraphCast sera en mesure de prédire les conditions météorologiques pour les 6 prochaines heures. Ce processus se déroule par incréments de 6 heures, fournissant jusqu'à 10 jours de prévisions actuelles.
En 2024, Google Research a publié NeuralGCM. Le nom de cet outil de prévision météorologique à long terme montre le choix de la voie technologique de l'équipe de recherche : Neural est un réseau neuronal et GCM est le nom complet de General Circulation Models, qui est un simulateur météorologique basé sur la physique. Comme son nom l'indique,NeuralGCM combine un solveur différentiable pour la dynamique atmosphérique avec l'apprentissage automatique.La combinaison des méthodes physiques traditionnelles et de l’IA est précisément la tendance générale dans le domaine actuel de la recherche en prévision météorologique.
Avant que l’IA ne révolutionne la recherche météorologique, la prévision numérique était devenue la technologie dominante dans ce domaine pendant près d’un siècle. Il est basé sur les principes de la physique et de la théorie météorologique et prédit l’évolution des conditions atmosphériques en résolvant les équations de la dynamique des fluides et de la thermodynamique qui décrivent le mouvement atmosphérique. Après l’émergence de technologies telles que l’apprentissage automatique, de nombreuses discussions ont eu lieu dans l’industrie : l’IA remplacera-t-elle complètement les prévisions numériques ?
Il semble désormais que la combinaison des deux soit la meilleure solution. Prenons l’exemple de NeuralGCM : tout en s’appuyant sur l’informatique traditionnelle pour simuler des processus physiques à grande échelle, la technologie de l’IA peut également gérer des phénomènes à petite échelle (tels que la formation de nuages et le microclimat régional) et corriger les erreurs accumulées à petite échelle.
Sur cette base, NeuralGCM a réalisé une avancée quantique en termes de performances. Des prévisions météorologiques sur 1 à 15 jours aux prévisions climatiques sur 10 ans, sa précision est comparable aux meilleurs modèles du genre à différentes échelles de temps.
Plus précisément, son modèle déterministe NeuralCGM-0,7° à une résolution de 0,7° surpasse les modèles d’apprentissage automatique pur en termes de précision des prévisions météorologiques ; dans les prévisions à 1 à 15 jours, ses performances sont comparables à celles du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT). Dans le même temps, en termes de prévision climatique à long terme, les résultats de la simulation de prévision climatique sur 40 ans de NeuralGCM sont cohérents avec la tendance au réchauffement climatique montrée par les données du CEPMMT.
Les nouvelles avancées de DeepMind en matière de prévisions météorologiques
Le 4 décembre, DeepMind a publié un article de recherche intitulé « Prévision météorologique probabiliste avec apprentissage automatique » dans Nature.Une nouvelle méthode de prévision météorologique par apprentissage automatique, GenCast, est proposée.Rémi Lam est l'un des auteurs correspondants. Cette méthode complète une autre pièce du puzzle pour Google dans le domaine des prévisions météorologiques, la rendant plus complète, de la voie technique à la précision des prévisions.
Adresse du document :
https://www.nature.com/articles/s41586-024-08252-9
En termes d'itinéraire technique,Bien que les deux soient des méthodes d’apprentissage automatique, GenCast est différent de GraphCast dans la mesure où il est basé sur un réseau neuronal graphique. Au lieu de cela, il est implémenté sur la base d'un modèle de diffusion et utilise le transformateur pour terminer le processus de débruitage. Parallèlement, en termes de précision de prédiction, GenCast a considérablement amélioré sa résolution spatiale par rapport à NeuralGCM et peut décrire plus clairement les phénomènes météorologiques à petite échelle.
Plus précisément, GenCast est formé sur des décennies de données de réanalyse.Une prévision météo mondiale sur 15 jours contenant une collection aléatoire peut être générée en 8 minutes.La sortie est produite toutes les 12 heures avec une résolution spatiale de 0,25° (latitude-longitude) et couvre plus de 80 variables de surface et atmosphériques. Les chercheurs ont évalué 1 320 cibles de prévision et les résultats ont montré que GenCast a obtenu de meilleurs résultats que l'ENS (Ensemble Numerical Weather Prediction System) sur la cible de 97.2%, en particulier dans les conditions météorologiques extrêmes, la prévision de la trajectoire des cyclones tropicaux et la prévision de la production d'énergie éolienne.
En résumé, DeepMind et Google Research ont travaillé ensemble pour explorer le sujet des prévisions météorologiques, en obtenant une couverture plus complète tout en explorant des voies techniques - y compris les prévisions météorologiques déterministes à moyen et court terme, ainsi que les prévisions climatiques à long terme ; des méthodes d'apprentissage automatique pures avec d'excellentes performances et des « guerriers hexagonaux » qui intègrent la prévision numérique et l'IA.
Une centaine d'écoles de pensée s'affrontent, construisant un modèle de prévision météorologique basé sur des points sensibles
Certes, Google n’est pas la seule entreprise à dominer le domaine des prévisions météorologiques. Huawei, Microsoft, Nvidia et d’autres ont tous publié des résultats connexes. Bien qu'ils ne soient pas aussi « étendus » que Google, ils ont tous leurs propres points forts.
Par exemple, le modèle de prévision météorologique Pangu de Huawei est la première méthode d’IA dont la précision de prédiction dépasse celle des modèles de prévision numérique traditionnels, et sa vitesse de prédiction peut être augmentée de plus de 10 000 fois. Il vise à résoudre le problème de la précision insuffisante des prévisions météorologiques de l’IA.Un transformateur 3D spécifique à la Terre est proposé.Une stratégie d’agrégation hiérarchique du domaine temporel est utilisée pour réduire le nombre d’itérations de prévision et ainsi réduire l’erreur d’itération.
Aurora, le premier modèle de base atmosphérique à grande échelle de Microsoft,Il est capable de fonctionner à une résolution spatiale élevée de 0,1°, capturant ainsi les détails complexes du mouvement atmosphérique.Des prévisions météorologiques haute résolution pour 10 jours peuvent être obtenues en moins d’une minute.
NVIDIA a même été le pionnier d'une plateforme cloud de jumeau numérique climatique ouvert et complet, EARTH-2, qui intègre tous les résultats des climatologues pour les partager et les utiliser par les scientifiques du monde entier.
Les réalisations dans le monde universitaire sont innombrables.FengWu-GHR, le premier modèle météorologique IA à améliorer la résolution des prévisions à 0,09°,« Fuxi » qui peut être utilisé pour les prévisions climatiques sous-saisonnières, etc.
Il ne fait aucun doute que la recherche actuelle sur les prévisions météorologiques est en plein essor, avec une centaine d'écoles de pensée qui s'affrontent et de multiples voies techniques qui se succèdent en parallèle, qui, tout en améliorant la résolution spatiale, répondent de la manière la plus complète possible aux prévisions déterministes à moyen et court terme et aux prévisions climatiques. À l’avenir, avec l’itération continue de la technologie de l’IA, il reste à voir si une technologie grand public émergera pour dominer le monde. Toutefois, à court terme, la combinaison de l’IA et des prévisions numériques traditionnelles reste une meilleure solution. Il reste encore à explorer comment dépasser la résolution spatiale sur cette base.
Références :
1.https://www.nature.com/articles/d41586-024-03898-x
2.https://mp.weixin.qq.com/s/boOoF782fm1s65hCQ-smpg
3.https://mp.weixin.qq.com/s/0krO