À l’heure actuelle, le meilleur modèle de prévision météorologique au monde est un modèle de circulation générale, ou GCM, élaboré par le Centre européen pour les prévisions météorologiques à moyen terme. Un GCM repose en partie sur un code qui calcule la physique de divers processus atmosphériques que nous comprenons bien. Pour une grande partie du reste, les GCM s’appuient sur ce que l’on appelle la « paramétrisation », qui tente d’utiliser des relations déterminées empiriquement pour estimer ce qui se passe dans des processus dont nous ne comprenons pas entièrement la physique.
Ces derniers temps, les modèles de circulation générale ont été confrontés à la concurrence des techniques d’apprentissage automatique, qui apprennent aux systèmes d’IA à reconnaître des modèles dans les données météorologiques et à les utiliser pour prédire les conditions qui se produiront au cours des prochains jours. Leurs prévisions ont cependant tendance à devenir un peu floues après plus de quelques jours et ne peuvent pas prendre en compte le type de facteurs à long terme qui doivent être pris en compte lorsque les modèles de circulation générale sont utilisés pour étudier le changement climatique.
Lundi, une équipe du groupe IA de Google et du Centre européen pour les prévisions météorologiques à moyen terme ont annoncé NeuralGCM, un système qui combine la circulation atmosphérique basée sur la physique avec la paramétrisation par l’IA d’autres influences météorologiques. Neural GCM est efficace en termes de calcul et fonctionne très bien dans les tests de référence de prévisions météorologiques. Il est également remarquable qu’il puisse produire des résultats raisonnables pour des exécutions couvrant des décennies, ce qui lui permet potentiellement de répondre à certaines questions liées au climat. Bien qu’il ne puisse pas gérer une grande partie des tâches pour lesquelles nous utilisons les modèles climatiques, il existe des pistes évidentes d’amélioration potentielle.
Découvrez NeuralGCM
NeuralGCM est un système en deux parties. Il y a ce que les chercheurs appellent un « noyau dynamique », qui gère la physique de la convection atmosphérique à grande échelle et prend en compte la physique de base comme la gravité et la thermodynamique. Tout le reste est géré par la partie IA. « Il s’agit de tout ce qui n’est pas dans les équations de la dynamique des fluides », a déclaré Stephan Hoyer de Google. « Cela signifie donc les nuages, les précipitations, le rayonnement solaire, la traînée sur la surface de la Terre, ainsi que tous les termes résiduels des équations qui se produisent en dessous de l’échelle de la grille, soit environ 100 kilomètres. » C’est ce que l’on pourrait appeler une IA monolithique. Plutôt que d’entraîner des modules individuels qui gèrent un seul processus, comme la formation des nuages, la partie IA est entraînée à gérer tout en même temps.
Il est essentiel que l’ensemble du système soit entraîné simultanément plutôt que l’IA ne soit entraînée séparément du noyau physique. Au départ, les évaluations de performances et les mises à jour du réseau neuronal étaient effectuées à des intervalles de six heures, car le système n’est pas très stable tant qu’il n’est pas au moins partiellement entraîné. Au fil du temps, ces intervalles s’étendent à cinq jours.
Le résultat est un système compétitif par rapport aux meilleurs modèles disponibles pour les prévisions sur 10 jours, dépassant souvent la concurrence en fonction de la mesure précise utilisée (en plus des repères de prévision météorologique, les chercheurs ont examiné des caractéristiques telles que les cyclones tropicaux, les rivières atmosphériques et la zone de convergence intertropicale). Sur les prévisions à plus long terme, il avait tendance à produire des caractéristiques moins floues que celles réalisées par des prévisionnistes purement IA, même s’il fonctionnait à une résolution inférieure à celle d’eux. Cette résolution inférieure signifie des carrés de grille plus grands (la surface de la Terre est divisée en carrés individuels à des fins de calcul) que la plupart des autres modèles, ce qui réduit considérablement ses besoins en calcul.
Malgré son succès dans le domaine météorologique, NeuralGCM a quelques réserves majeures à formuler. L’une d’entre elles est que NeuralGCM a tendance à sous-estimer les événements extrêmes qui se produisent dans les tropiques. La seconde est qu’il ne modélise pas réellement les précipitations ; il calcule plutôt l’équilibre entre évaporation et précipitations.
Mais ce modèle présente également des avantages spécifiques par rapport à d’autres modèles de prévision à court terme, notamment le fait qu’il ne se limite pas à une utilisation à court terme. Les chercheurs l’ont laissé fonctionner pendant deux ans et il a réussi à reproduire un cycle saisonnier raisonnable, y compris des caractéristiques à grande échelle de la circulation atmosphérique. D’autres simulations de longue durée montrent qu’il peut produire des comptages appropriés de cyclones tropicaux, qui suivent ensuite des trajectoires reflétant les modèles observés dans le monde réel.