Table of Contents
Le modèle climatique AI de Nvidia cible les événements météorologiques extrêmes
Alors que les entreprises peinent à évaluer le retour sur investissement de l’IA, cette technologie continue de montrer son potentiel dans l’amélioration des prévisions météorologiques et des modèles climatiques.
Présentation du modèle StormCast
Le lundi, Nvidia a présenté un nouveau modèle de diffusion générative basé sur l’IA, développé en collaboration avec le Lawrence Berkeley National Lab et l’Université de Washington. Ce modèle promet de suivre le développement des cellules orageuses plus rapidement et avec plus de précision que les méthodes existantes.
Dénommé StormCast, ce modèle cible des phénomènes météorologiques plus vastes que des tempêtes classiques, mais plus petits que des ouragans. Il a été entraîné sur 3,5 années de données climatiques de l’Administration nationale océanique et atmosphérique des États-Unis (NOAA), recueillies dans le cœur des États-Unis, une région où les supercellules et les tornades sont fréquentes, en particulier durant les mois d’été chauds.
Améliorations par rapport aux modèles existants
Comparé aux simulations météorologiques assistées par apprentissage automatique, qui ont généralement une résolution de 30 kilomètres et une résolution temporelle de six heures, Nvidia affirme que StormCast offre non seulement une résolution accrue, atteignant jusqu’à trois kilomètres, mais il est également capable de générer de nouvelles prévisions à l’échelle horaire.
Associé à un radar de précipitation, le géant des GPU prétend que StormCast a déjà prouvé une précision supérieure de 10 % par rapport aux meilleurs modèles régionaux de la NOAA, tout en permettant des délais de prévision allant jusqu’à six heures.
Les autres modèles d’IA de Nvidia
StormCast fait partie d’une série de modèles d’IA récemment développés par Nvidia. Lors de l’événement Computex au printemps, Nvidia a détaillé CorrDiff, un autre modèle de diffusion conçu pour générer rapidement des images haute résolution à une résolution de deux kilomètres, en utilisant des données de modèles météorologiques régionaux sur Taïwan.
Selon Nvidia, ces images sont 12,5 fois plus détaillées et peuvent être générées 1 000 fois plus rapidement que les modèles numériques existants. Taïwan utilise déjà CorrDiff pour prédire l’impact des typhons dans la région.
Collaboration avec Google pour améliorer les modèles climatiques
De son côté, Nvidia n’est pas la seule entreprise à explorer les moyens d’améliorer les modèles climatiques et les prévisions avec l’IA. Dans un article publié dans la revue Nature le mois dernier, Google a partagé ses travaux avec le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) pour renforcer les modèles climatiques basés sur la physique avec l’apprentissage automatique, tout en les portant sur des unités de traitement tensoriel (TPU) et des GPUs, ce qui réduit considérablement les coûts de fonctionnement par rapport aux clusters de calcul basés sur des CPU.
Ce modèle, baptisé NeuralGCM, fonctionne en partie en remplaçant les modèles secondaires moins précis, appelés paramétrisations, utilisés pour suivre des phénomènes de plus petite échelle comme les nuages et les précipitations, par des réseaux neuronaux entraînés sur des données météorologiques existantes de l’ECMWF.
Potentiel des modèles d’IA pour les prévisions météorologiques
Parmi les trois modèles développés par Google avec cette approche, il a été affirmé que son modèle à 1,4 degré pourrait simuler l’atmosphère pendant un an en seulement huit minutes, comparativement à 20 jours pour un modèle climatique à la pointe de la technologie comme X-SHiELD.
Bien que les modèles d’apprentissage automatique et d’IA générative aient le potentiel d’améliorer les prévisions météorologiques mondiales, il reste encore un important travail à réaliser. Google a noté que NeuralGCM n’est encore qu’un modèle climatique en développement. Pendant ce temps, CorrDiff de Nvidia a été spécifiquement conçu pour suivre les conditions météorologiques autour de Taïwan.