Comparé aux prévisions météorologiques traditionnelles, ce modèle est très performant en termes de rapidité et de précision. HUAWEI CLOUD annonce la publication d’un article sur son modèle Pangu Weather AI dans la revue Nature, l’une des revues scientifiques les plus prestigieuses au monde.
Selon Nature Index, c’est la première fois que des employés d’une entreprise technologique chinoise sont les seuls auteurs d’un article publié dans la revue Nature. L’article, publié dans la prestigieuse revue le 5 juillet 2023, précise et explique comment développer un système mondial de prévisions météorologiques par l’IA, basé sur un apprentissage profond (Deep Learning) et utilisant 43 ans de données.
Pangu-Weather est le premier modèle de prévision utilisant l’IA à faire preuve d’une plus grande précision que les méthodes numériques traditionnelles de prévision météorologique. Le modèle permet de multiplier par 10 000 la vitesse de prédiction, réduisant le temps de prévision météorologique mondiale à quelques secondes seulement. L’article intitulé « Accurate medium-range global weather forecasting with 3D neural networks » fournit des vérifications indépendantes de ces capacités.
Le modèle Pangu-Weather remet en cause l’idée reçue selon laquelle la précision des prévisions météorologiques par l’IA est inférieure à celle des prévisions numériques traditionnelles. Le modèle, développé par l’équipe HUAWEI CLOUD, est le premier modèle de prévision fondé sur l’IA avec une plus grande précision que les méthodes de prévision numérique traditionnelles.
Grâce au développement rapide de la puissance de calcul au cours des 30 dernières années, la précision des prévisions météorologiques numériques s’est considérablement améliorée, permettant d’alerter sur les catastrophes naturelles extrêmes et de mieux appréhender les effets du changement climatique. Mais la méthode reste relativement longue. Afin d’améliorer la vitesse des prévisions, les chercheurs ont étudié la possibilité d’utiliser des méthodes d’apprentissage en profondeur. Cependant, la précision des prévisions à moyen et long terme basées sur l’IA reste inférieure à celle des prévisions numériques. L’IA a été incapable de prévoir les phénomènes météorologiques extrêmes et inhabituels tels que les typhons.
Chaque année, on dénombre environ 80 typhons dans le monde. En 2022, rien qu’en Chine, les pertes économiques directes causées par les typhons se sont élevées à 5,42 milliards de yuans, selon les chiffres du ministère chinois de la gestion des urgences. Plus les alertes sont émises tôt, plus il est facile de s’y préparer.
En raison de leur rapidité, les modèles de prévision météorologique par l’IA sont attrayants, mais manquent de précision pour deux raisons. Premièrement, les modèles de prévisions météorologiques basés sur l’IA existants sont basés sur des réseaux neuronaux 2D, qui ne peuvent pas traiter correctement des données météorologiques 3D irrégulières. Deuxièmement, les prévisions météorologiques à moyen terme peuvent présenter des erreurs de prévision cumulées lorsque le modèle est sollicité trop souvent.
Comment Pangu-Weather relève ces défis
Au cours des essais scientifiques, le modèle Pangu-Weather a montré une plus grande précision par rapport aux méthodes traditionnelles de prévision numérique pour des prévisions allant de 1 heure à 7 jours, avec une vitesse de prévision multipliée par 10 000. Le modèle peut prédire avec précision, en quelques secondes, des caractéristiques météorologiques très fines telles que l’humidité, la vitesse du vent, la température et la pression au niveau de la mer.
Le modèle utilise une architecture de transformateur 3D spécifique à la terre (3DEST) pour traiter des données météorologiques 3D complexes et non uniformes. En utilisant une stratégie d’agrégation temporelle hiérarchique, le modèle a été entraîné pour différents intervalles de prévision : 1 heure, 3 heures, 6 heures et 24 heures. Cela a permis de minimiser le nombre d’itérations pour la prévision d’une condition météorologique à un moment précis et de réduire le taux d’erreurs.
Pour entraîner le modèle sur des intervalles de temps spécifiques, les chercheurs ont formé 100 époques[1] (cycles) à l’aide d’échantillons horaires de données météorologiques de 1979 à 2021. Chacun des sous-modèles obtenus a nécessité 16 jours d’entraînement sur 192 cartes graphiques V100. Le modèle Pangu-Weather peut désormais effectuer des prévisions météorologiques mondiales sur 24 heures en seulement 1,4 seconde sur une carte graphique V100, soit une amélioration par un facteur de 10 000 par rapport aux prévisions numériques traditionnelles.
Dr. Tian Qi, Chief Scientist of HUAWEI CLOUD AI Field, membre de l’IEEE et académicien de l’Académie Internationale des Sciences d’Eurasie, a expliqué pourquoi l’équipe HUAWEI CLOUD AI avait choisi de se concentrer sur les prévisions météorologiques : « Les prévisions météorologiques constituent l’un des scénarios les plus importants dans le domaine de l’informatique scientifique, car il s’agit d’un système très complexe, mais il est difficile de couvrir tous les aspects de la connaissance mathématique et physique. Nous sommes donc ravis que nos recherches aient été reconnues par la revue Nature. Les modèles d’IA peuvent extraire des lois statistiques de l’évolution de l’atmosphère à partir de données massives. À l’heure actuelle, Pangu-Weather complète principalement le travail du système de prévision, et sa principale capacité est de prédire l’évolution des états atmosphériques. Notre objectif ultime est de mettre en place un cadre de prévision météorologique de nouvelle génération utilisant les technologies de l’IA pour renforcer les systèmes de prévision existants« .
Commentant l’importance et la qualité de la recherche menée par HUAWEI CLOUD, les évaluateurs académique de la revue Nature ont expliqué que non seulement Pangu-Weather est très facile à télécharger et à exécuter, mais qu’il s’exécute rapidement, même sur un ordinateur de bureau. « Cela signifie que n’importe quel membre de la communauté météorologique peut désormais exécuter et tester ces modèles à sa guise. C’est une excellente occasion pour la communauté d’étudier dans quelle mesure le modèle prédit des phénomènes spécifiques. Cela contribuera à faire avancer les choses dans ce domaine. Un autre évaluateur a noté que « les résultats eux-mêmes constituent une étape importante par rapport aux résultats précédents. À mon avis, ce travail incitera les gens à réévaluer les modèles de prévision à l’avenir« .
En mai 2023, le monde entier a suivi les dégâts causés par le typhon Mawar en raison de l’ampleur de ces rafales. Jusqu’à présent, il s’agit du cyclone tropical le plus impressionnant de l’année. Selon l’administration météorologique chinoise, Pangu-Weather a pu prédire avec précision la trajectoire du typhon Mawar cinq jours avant qu’il ne change de cap dans les eaux orientales des îles de Taïwan.
En outre, pour améliorer de façon continue les modèles de prévision météorologique par l’IA, il est également essentiel de disposer d’environnements Cloud stables, d’une combinaison de différents travaux et de services d’exploitation et de maintenance (O&M) correspondants.
