GraphCast - Le modèle d’IA de DeepMind pour les prévisions météorologiques

GraphCast : des prévisions météorologiques mondiales rapides et précises grâce à un modèle d’IA

• GraphCast est un tout nouveau modèle d’IA publié dans une revue scientifique, capable de fournir des prévisions météo sur 10 jours en moins d’une minute avec une grande précision.
• Il réalise des prévisions météorologiques à moyen terme plus rapidement et plus précisément que le système HRES, la référence actuelle.
• GraphCast prédit la trajectoire des cyclones, les rivières atmosphériques liées aux risques d’inondation et les épisodes de températures extrêmes, offrant ainsi des alertes précoces sur les phénomènes météorologiques extrêmes.

Le défi des prévisions météorologiques mondiales

• Les prévisions météo à moyen terme sont essentielles pour soutenir des décisions importantes dans de nombreux domaines, des énergies renouvelables à la logistique événementielle, mais elles restent difficiles à produire avec précision et efficacité.
• Les méthodes classiques de prévision numérique du temps (NWP) traduisent les équations physiques en algorithmes informatiques exécutés sur des supercalculateurs.
• GraphCast apprend à partir de plusieurs décennies de données météorologiques historiques afin de modéliser les relations de cause à effet qui régissent l’évolution de la météo terrestre.

GraphCast : un modèle d’IA pour les prévisions météo

• GraphCast est un système de prévision météorologique basé sur le machine learning et les réseaux de neurones sur graphes (GNN).
• Il effectue des prévisions à haute résolution (0,25 degré de longitude/latitude) sur plus d’un million de points de grille couvrant la surface de la Terre.
• GraphCast génère des prévisions sur 10 jours en moins d’une minute sur une seule machine Google TPU v4, ce qui le rend bien plus efficace que les méthodes existantes.

De meilleures alertes pour les phénomènes météorologiques extrêmes

• GraphCast peut identifier les événements météorologiques graves plus tôt que les modèles existants, ce qui permet de sauver des vies grâce à une meilleure préparation et de réduire l’impact sur les communautés.
• En appliquant un traqueur de cyclones, GraphCast prévoit les déplacements des cyclones plus précisément que le modèle HRES.
• Sa capacité à prévoir les rivières atmosphériques et les températures extrêmes peut être combinée à un modèle d’IA de prévision des inondations pour aider à la planification des interventions d’urgence.

L’avenir de la météo grâce à l’IA

• GraphCast est actuellement le système de prévision météorologique mondiale sur 10 jours le plus précis au monde, et il continuera d’évoluer et de s’améliorer avec le changement climatique.
• Pour rendre les prévisions météo basées sur l’IA plus accessibles, le code du modèle est publié en open source.
• Avec les autres systèmes de pointe de Google DeepMind et Google Research pour la prévision météo, l’usage de l’IA dans ce domaine devrait bénéficier à des milliards de personnes dans la vie quotidienne.

L’avis de GN⁺

Le point le plus important de cet article est que le modèle d’IA GraphCast fournit des prévisions météorologiques à moyen terme bien plus rapides et plus précises que les systèmes existants. Alors que les phénomènes météo extrêmes deviennent plus fréquents avec le changement climatique, cela pourrait grandement aider à protéger les personnes et les biens, tout en soutenant des décisions cruciales pour l’industrie et la société. La publication en open source du code de GraphCast donne aux scientifiques et aux prévisionnistes du monde entier l’opportunité d’exploiter cette technologie au bénéfice de milliards de personnes dans leur vie quotidienne. Grâce à sa rapidité et à sa grande précision, cette technologie devrait apporter une véritable innovation dans le domaine des prévisions météo, ce qui en fait une nouvelle passionnante pour tous ceux qui s’y intéressent.

[kuroneko]

J’étais en train de me dire qu’il faudrait en faire un résumé, mais GN+ s’améliore de plus en plus. Comme les avis sur HN ci-dessous, il fait aussi un tri très propre.
On dirait même que c’est désormais mieux que de faire le résumé soi-même. +_+

[GN⁺]

Avis Hacker News

• Développement d'une API météo open source

  Développement d'une API météo open source qui conserve en continu des données météorologiques pour les personnes ayant besoin de données historiques pour l'entraînement et les prédictions de ML. En combinant avec le ML des données passées et des prévisions issues de plusieurs modèles météorologiques numériques, il est possible d'obtenir de meilleures capacités de prévision qu'avec chaque modèle pris individuellement. Comme chaque modèle est limité par des contraintes physiques, on peut s'attendre à ce que le modèle de ML résultant soit stable.

• Présentation du modèle GraphCast

  GraphCast n'utilise en entrée que deux jeux de données : l'état du temps d'il y a 6 heures et l'état du temps actuel. Le modèle prédit ensuite le temps 6 heures plus tard, puis répète ce processus par tranches de 6 heures afin de fournir des prévisions de pointe jusqu'à 10 jours.

• Confusion autour de Google

  Il subsiste une confusion sur la distinction entre Google, Google Research et DeepMind. Google Research a présenté il y a deux semaines une annonce sur les prévisions à 24 heures, qui est également mentionnée dans l'annonce de GraphCast aujourd'hui.

• Importance des prévisions météo locales

  Dans certains pays, les prévisions locales de pluie/averses à court terme sont indispensables. Il est intéressant de constater à quel point les prévisions radar sont très imprécises. Les applications affichent des données radar et historiques et fournissent des prévisions, mais celles-ci sont absurdes. Il est évident de voir pourquoi l'« IA » pourrait améliorer cela. La prévision locale des précipitations est un problème différent de la prévision globale.

• Les progrès des entreprises technologiques dans les prévisions météo

  Les progrès dans les prévisions météo sont remarquables, et il est intéressant de voir les grandes entreprises technologiques entrer dans ce domaine. Apple est passé il y a un an de The Weather Channel à ses propres prévisions. Produire de meilleures prévisions météo à l'aide de l'IA correspond parfaitement à Google, et on peut espérer que cela soit intégré à son application météo.

• Performances impressionnantes d'un modèle utilisant un seul GPU

  Un modèle qui, avec un seul GPU, dépasse des modèles exécutés sur les plus grands supercalculateurs du monde. Il est entièrement open source, et pas seulement les poids du modèle. Les données d'entraînement et d'entrée sont aussi relativement simples. La version actuelle est la plus grande taille pratiquement possible dans les contraintes d'ingénierie actuelles, mais elle a le potentiel de s'étendre bien davantage à l'avenir avec plus de ressources de calcul et des données à plus haute résolution.

• Questions sur la comparaison de précision

  Impossible de trouver la citation concernant la comparaison de précision. Compte tenu du volume de données et de la complexité du domaine, une analyse plus détaillée des performances par rapport aux autres modèles est nécessaire. En tant que premier employé chez Solcast, j'ai passé plus de 4 ans à construire un système de "nowcast", centré sur le rayonnement solaire et l'opacité des nuages, avant de l'étendre à tous les aspects de la météo en utilisant une nouvelle génération de satellites et des modèles NWP. Solcast utilisait le ML comme composante du système, mais en pratique il faut bien plus que cela pour produire des prévisions précises et fiables. Par exemple, passer directement de quelque chose comme ECMWF à cette boîte noire serait, au minimum, présomptueux. Peu avant de quitter Solcast, j'avais dit que leur plus grand concurrent ne serait probablement pas une autre entreprise météo traditionnelle, mais de grandes entreprises technologiques comme Amazon/Google/Microsoft. Amazon a acquis ces dernières années des entreprises liées à l'IoT de consommation électrique, et il semble que l'IA va fortement pénétrer ce secteur.

• Vitesse d'exécution rapide des modèles de ML

  Je suis les modèles météo globaux en ML. Le simple fait qu'ils soient capables de faire des prévisions est déjà très impressionnant. Alors qu'il faut plusieurs heures à des modèles de prévision météorologique numérique sur d'immenses supercalculateurs pour prévoir la météo mondiale, ces modèles de ML s'exécutent en quelques minutes, voire quelques secondes. Cela offre un potentiel énorme pour la prévision opérationnelle.

• Service sur les précipitations à une date donnée

  J'ai créé un service qui montre le jour où il a le moins plu au cours des 10 dernières années. Idéal pour trouver la date de mariage parfaite pour n'importe quel lieu et n'importe quel mois.

• Incertitude des prévisions météo

  Au-delà de la difficulté des calculs ou de la mesure exacte de l'état actuel, y a-t-il une raison de penser que la météo soit imprévisible ? Si l'on pouvait mesurer et calculer avec suffisamment de ressources, ne pourrait-on pas, en théorie, prévoir la météo quotidienne dans 10 ans ? Ou bien existe-t-il une « part aléatoire » intrinsèque ?