Un modèle d’IA promet de générer des prévisions météorologiques plus rapides et plus précises –

  • FrançaisFrançais



  • Les prévisions météorologiques d’aujourd’hui proviennent de certains des ordinateurs les plus puissants de la planète. Les énormes machines effectuent des millions de calculs pour résoudre des équations permettant de prédire la température, le vent, les précipitations et d’autres événements météorologiques. Le besoin combiné d’une prévision en termes de vitesse et de précision impose même les ordinateurs les plus modernes.

    L’avenir pourrait adopter une approche radicalement différente. Une collaboration entre l’Université de Washington et Microsoft Research montre comment l’intelligence artificielle peut analyser les modèles météorologiques du passé pour prédire les événements futurs, de manière beaucoup plus efficace et potentiellement un jour plus précise que la technologie actuelle.

    Le modèle météorologique mondial nouvellement développé fonde ses prévisions sur les 40 dernières années de données météorologiques, plutôt que sur des calculs physiques détaillés. Selon un article publié cet été dans le Journal, le modèle simple d’IA basé sur des données peut simuler le temps d’une année dans le monde entier beaucoup plus rapidement et presque aussi bien que les modèles météorologiques traditionnels, en effectuant des étapes répétées similaires d’une prévision à l’autre. des progrès de la modélisation des systèmes terrestres.

    «L’apprentissage automatique est essentiellement une version glorifiée de la reconnaissance de formes», a déclaré l’auteur principal Jonathan Weyn, qui a effectué la recherche dans le cadre de son doctorat UW en sciences atmosphériques. “Il voit un modèle typique, reconnaît comment il évolue habituellement et décide quoi faire en fonction des exemples qu’il a vus au cours des 40 dernières années de données.”

    Bien que le nouveau modèle soit, sans surprise, moins précis que les meilleurs modèles de prévision traditionnels d’aujourd’hui, la conception actuelle de l’IA utilise environ 7000 fois moins de puissance de calcul pour créer des prévisions pour le même nombre de points sur le globe. Moins de travail de calcul signifie des résultats plus rapides.

    Cette accélération permettrait aux centres de prévision d’exécuter rapidement de nombreux modèles avec des conditions de départ légèrement différentes, une technique appelée «prévision d’ensemble» qui permet aux prévisions météorologiques de couvrir la gamme des résultats attendus possibles pour un événement météorologique – par exemple, lorsqu’un ouragan pourrait frapper .

    “Il y a tellement plus d’efficacité dans cette approche; c’est ce qui est si important à ce sujet”, a déclaré l’auteur Dale Durran, professeur à l’UW de sciences atmosphériques. “La promesse est que cela pourrait nous permettre de résoudre les problèmes de prévisibilité en ayant un modèle suffisamment rapide pour faire fonctionner de très grands ensembles.”

    Le co-auteur Rich Caruana de Microsoft Research avait initialement approché le groupe UW pour proposer un projet utilisant l’intelligence artificielle pour faire des prévisions météorologiques basées sur des données historiques sans s’appuyer sur des lois physiques. Weyn suivait un cours d’informatique UW en apprentissage automatique et a décidé de s’attaquer au projet.

    “Après une formation sur les données météorologiques passées, l’algorithme d’IA est capable de trouver des relations entre différentes variables que les équations physiques ne peuvent tout simplement pas faire”, a déclaré Weyn. “Nous pouvons nous permettre d’utiliser beaucoup moins de variables et donc de créer un modèle beaucoup plus rapide.”

    Pour fusionner les techniques d’IA réussies avec les prévisions météorologiques, l’équipe a cartographié six faces d’un cube sur la planète Terre, puis a aplati les six faces du cube, comme dans un modèle de papier architectural. Les auteurs ont traité les faces polaires différemment en raison de leur rôle unique dans le temps comme moyen d’améliorer la précision des prévisions.

    Les auteurs ont ensuite testé leur modèle en prédisant la hauteur globale de la pression de 500 hectopascal, une variable standard dans les prévisions météorologiques, toutes les 12 heures pendant une année complète. Un article récent, qui incluait Weyn comme co-auteur, a présenté WeatherBench comme un test de référence pour les prévisions météorologiques basées sur les données. Sur ce test de prévision, développé pour des prévisions à trois jours, ce nouveau modèle est l’un des plus performants.

    Le modèle basé sur les données aurait besoin de plus de détails avant de pouvoir commencer à rivaliser avec les prévisions opérationnelles existantes, disent les auteurs, mais l’idée est prometteuse en tant qu’approche alternative pour générer des prévisions météorologiques, en particulier avec un nombre croissant de prévisions et d’observations météorologiques antérieures.

    Source de l’histoire:

    Matériaux fourni par Université de Washington. Original écrit par Hannah Hickey. Remarque: le contenu peut être modifié pour le style et la longueur.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.