Une semaine et demie plus tard, le 16 septembre, Lee a frappé des terres là où le logiciel de Deepmind, appelé Graphcast, avait prévu quelques jours plus tôt: Long Island, en Nouvelle-Écosse, dans les principaux centres de population. Il a ajouté à une saison révolutionnaire pour une nouvelle génération de modèles météorologiques alimentés par l'IA, y compris d'autres construits par Nvidia et Huawei, dont les performances solides ont pris le terrain par surprise. Les prévisionnistes vétérans ont déclaré à Wired plus tôt cette saison des ouragans que les doutes graves des météorologues à propos de l'IA avaient été remplacés par l'attente de grands changements à venir pour le terrain.

Aujourd'hui, Google a partagé de nouvelles preuves évaluées par des pairs de cette promesse. Dans un article publié Aujourd'hui dans ScienceDeepmind Researchers rapporte que son modèle a battu les prévisions du Centre européen pour la prévision météorologique moyenne (ECMWF), un géant mondial de prédiction météorologique, sur 90% de plus de 1 300 variables atmosphériques telles que l'humidité et la température. Mieux encore, le modèle DeepMind pourrait être exécuté sur un ordinateur portable et cracher une prévision en moins d'une minute, tandis que les modèles conventionnels nécessitent un supercalculateur géant.

Air frais

Les simulations météorologiques standard font leurs prévisions en tentant de reproduire la physique de l'atmosphère. Ils se sont améliorés au fil des ans, grâce à de meilleures mathématiques et en prenant des observations météorologiques à grains fins de la croissance de l'Armadas de capteurs et de satellites. Ils sont également lourds. Les prévisions dans les principaux centres météorologiques comme l'ECMWF ou la US National Oceanic and Atmospheric Association peuvent prendre des heures à calculer sur des serveurs puissants.

Lorsque Peter Battaglia, directeur de recherche chez DeepMind, a commencé à regarder les prévisions météorologiques il y a quelques années, cela semblait être le problème parfait pour sa saveur particulière de l'apprentissage automatique. DeepMind avait déjà pris des prévisions de précipitations locales avec un système, appelé Nowcasting, formé avec des données radar. Maintenant, son équipe voulait essayer de prédire la météo à l'échelle mondiale.

Battaglia dirigeait déjà une équipe axée sur l'application de systèmes d'IA appelés réseaux de neurones graphiques, ou GNNS, pour modéliser le comportement des fluides, un défi de physique classique qui peut décrire le mouvement des liquides et des gaz. Étant donné que la prédiction météorologique est à la base de la modélisation du flux de molécules, appuyer sur GNNS semblait intuitif. Alors que la formation de ces systèmes est robuste, nécessitant des centaines d'unités de traitement graphique spécialisées, ou GPU, pour croquer d'énormes quantités de données, le système final est finalement léger, permettant à des prévisions de générer rapidement avec une puissance informatique minimale.

Les GNN représentent les données comme des «graphiques» mathématiques – des réseaux de nœuds interconnectés qui peuvent s'influencer mutuellement. Dans le cas des prévisions météorologiques de DeepMind, chaque nœud représente un ensemble de conditions atmosphériques à un emplacement particulier, comme la température, l'humidité et la pression. Ces points sont distribués dans le monde et à diverses altitudes – un nuage littéral de données. L'objectif est de prédire comment toutes les données à tous ces points interagiront avec leurs voisins, capturant comment les conditions se déplaceront avec le temps.