Lancement de Silurian (YC S24) – Une technologie de simulation de la Terre

• Nous sommes Jayesh, Cris et Nikhil, membres de l’équipe de Silurian. Silurian développe un modèle de fondation pour simuler la Terre, en commençant par la prévision météo. Nos résultats récents sur la prévision des ouragans peuvent être visualisés ici

• Quelle serait la valeur d’obtenir une prévision météo avec un jour d’avance supplémentaire ? Les systèmes de prévision traditionnels n’améliorent leur précision que d’un jour environ tous les dix ans. Mais ces dernières années, grâce aux GPU et aux techniques modernes de deep learning, ce rythme s’accélère

• Depuis 2022, NVIDIA, Google DeepMind, Huawei et Microsoft, entre autres, mènent des recherches actives sur des systèmes de météo basés sur le deep learning. Ces modèles apprennent à prédire à partir des seules données, avec très peu de physique intégrée. Fait remarquable, cette approche fournit de meilleures prévisions que les simulations traditionnelles de physique atmosphérique

• Jayesh et Cris ont chacun dirigé chez Microsoft les projets ClimaX et Aurora, et ont ainsi constaté directement le potentiel de cette technologie. Les modèles de fondation qu’ils ont construits ont amélioré les prévisions de l’ECMWF, considéré comme l’étalon-or de la prévision météo, tout en n’utilisant qu’une infime partie des données d’entraînement. L’objectif de Silurian est de pousser ces modèles à l’échelle maximale et jusqu’aux limites de la prévision physique. À terme, il s’agit de modéliser toutes les infrastructures affectées par la météo, comme les réseaux énergétiques, l’agriculture, la logistique ou la défense. Autrement dit, simuler la Terre

• Cet été, nous avons construit un modèle frontier de 1,5 milliard de paramètres appelé GFT (Generative Forecasting Transformer). Ce modèle simule la météo mondiale jusqu’à 14 jours à l’avance, avec une résolution d’environ 11 km. Malgré le manque de données historiques sur les événements météorologiques extrêmes, GFT affiche d’excellentes performances pour la prévision des trajectoires d’ouragans en 2024. Vous pouvez consulter nos prévisions d’ouragans ici. Nous les visualisons à l’aide de cambecc/earth, un outil open source de visualisation météo

• Nous sommes très enthousiastes à l’idée de ce lancement sur HN et aimerions beaucoup connaître votre avis

Le récapitulatif de GN⁺

• Silurian est une entreprise qui développe un modèle de fondation pour simuler la Terre, en commençant par la prévision météo
• Ces dernières années, les progrès du deep learning ont fortement amélioré la précision des prévisions météo
• Le modèle GFT de Silurian affiche d’excellents résultats de prévision malgré le manque de données sur les phénomènes météorologiques extrêmes
• Cette technologie a le potentiel d’être appliquée à diverses infrastructures, comme l’énergie, l’agriculture et la logistique
• Parmi les projets aux fonctionnalités similaires figurent les systèmes de météo par deep learning de NVIDIA et Google DeepMind

[GN⁺]

Commentaires Hacker News

• Ravi de pouvoir faire de la prévision d’ensemble des cyclones tropicaux

  • Déçu par la comparaison entre les modèles ML et le modèle HRES de l’ECMWF
  • HRES est une réalisation unique d’une météo possible, et non la meilleure estimation du temps moyen
  • NeuralGCM figure parmi les meilleurs du classement WeatherBench
  • J’aimerais comparer les performances des modèles sur WeatherBench

• Les modèles sans physique intégrée font de meilleures prévisions à partir des seules données

  • L’adage de la NLP selon lequel « à chaque linguiste licencié, les performances augmentent » s’applique aussi aux physiciens

• Silurian construit un modèle de fondation pour simuler la Terre

  • Je me demande ce qu’ils voudraient simuler d’autre si cela réussit

• Enthousiaste quant au potentiel commercial de ClimaX

  • Je me demande si certains secteurs les ont contactés au sujet de ce potentiel commercial (par ex. l’exploration de ressources naturelles)

• En tant qu’organisation à but non lucratif, nous construisons un modèle similaire pour les terres émergées

  • J’aimerais aider à remplacer le masque terrestre par un embedding terrestre
  • Cela aiderait énormément à faire du downscaling des effets régionaux

• Je me demande en quoi cela diffère de GraphCast, lancé par Google l’an dernier

• Les modèles météo me laissent perplexe

  • Je me demande si les approches ML sont numériquement plus stables que les simulations fondées sur la physique
  • Je me demande comment elles se comparent en termes d’exigences de calcul
  • J’ai déjà eu l’expérience de convertir des modèles de FORTRAN vers Verilog

• Je me demande si cette approche a déjà été appliquée aux séismes, qui sont imprévisibles

• Cette approche semble être un autre exemple de « The Bitter Lesson »

• Je me demande ce qu’ils simuleront d’autre à l’avenir

  • J’ai construit à San Francisco une démo qui permet de rechercher des objets en langage naturel
  • J’ai essayé les embeddings Clay, mais ils étaient moins performants que des embeddings de légendes OSM affinés avec CLIP