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.
Ce modèle, développé par les équipes de recherche de Huawei, a été mise en valeur dans Nature, l’une des revues scientifiques les plus prestigieuses au monde : « Accurate medium-range global weather forecasting with 3D neural networks ». L’article décrit comment il a été possible de développer un système de prévisions météorologiques mondial par IA, entraîné avec 43 ans de données.
Rapidité & précision : le double défi des météorologues
En raison de leur rapidité, les modèles de prévision météorologique basés sur l’IA sont populaires mais manquent de précision pour deux raisons :
– Premièrement, la plupart des modèles 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 souffrir d’erreurs de prévision cumulées lorsque le modèle est appelé trop souvent.
Pangu-Weather se distingue par une plus grande précision dans ses prévisions allant de 1 heure à 7 jours. Il fournit des indicateurs très fins tels que l’humidité, la vitesse du vent, la température et la pression atmosphérique.
Capable de traiter des données météorologiques 3D complexes et non uniformes, Pangu-Weather utilise une stratégie d’agrégation temporelle hiérarchique, matérialisée par un modèle 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 les prévisions erronées. Pour entraîner le modèle à des intervalles de temps spécifiques, les chercheurs ont formé 100 époques (cycles) à l’aide d’échantillons horaires de données météorologiques pour la période 1979-2021. 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.
Pangu, le puissant modèle de langage à grande échelle de Huawei
Pangu est le modèle de langage à grande échelle de Huawei destiné aux applications d’intelligence artificielle. Huawei a également annoncé le lancement de Huawei Cloud Pangu Models 3.0, conçu pour répondre aux besoins pratiques des différents secteurs : fabrication, santé, automobile, météorologie, etc. Les nouveaux modèles Pangu 3.0 utilisent une architecture à trois couches « 5+N+X ».
Tian Qi, directeur scientifique de Huawei AI Field, membre de l’IEEE et de l’Académie internationale des sciences de l’Eurasie, a expliqué : « Les prévisions météorologiques sont un enjeu majeur 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 et Pangu-Weather aient été reconnus par la revue Nature. Les modèles d’IA peuvent extraire des lois statistiques de l’évolution de l’atmosphère à partir de volumes de données massifs. Notre ambition est de construire un cadre de prévision météorologique de nouvelle génération en utilisant les technologies d’IA pour renforcer les systèmes de prévision existants. »
Zhang Ping’an, directeur exécutif de Huawei et PDG de Huawei Cloud, a déclaré : « Pangu doit permettre à chacun, quel que soit son secteur d’activité, de disposer d’un assistant intelligent qui le rendra plus productif et plus efficace. Notre objectif est de mettre l’IA au service des industries et nous espérons que Pangu aidera les organisations, quel que soit leur secteur d’activité, à adopter l’IA pour se transformer. Chaque développeur aura le pouvoir de changer le monde. »
Consultez la version source sur businesswire.com : https://www.businesswire.com/news/home/20230710833110/fr/