Google DeepMind et recherche Google introduit WeatherNext 2, leur modèle d’IA de prévision météorologique le plus avancé, à une date spécifiée. Le modèle fournit des prévisions globales 8 fois plus rapides avec une résolution allant jusqu’à 1 heure en générant des centaines de scénarios à partir d’une seule entrée via l’injection de bruit dans l’espace fonctionnel. Cela aide les agences météorologiques à effectuer des prévisions expérimentales de cyclones et s’intègre aux produits Google. La météo influence les décisions quotidiennes dans les chaînes d’approvisionnement mondiales, les trajectoires de vol et les déplacements personnels. L’intelligence artificielle a élargi les capacités de prévision météorologique ces dernières années. WeatherNext 2 représente la dernière avancée de l’équipe WeatherNext, axée sur l’efficacité, la précision et la résolution des prévisions dans le monde entier. Le modèle génère des prévisions huit fois plus rapidement que ses prédécesseurs tout en atteignant une résolution horaire. Cette vitesse provient du traitement sur une seule unité de traitement tensoriel (TPU), où chaque prédiction de scénario s’effectue en moins d’une minute. En revanche, les modèles basés sur la physique sur les superordinateurs nécessitent des heures pour des calculs équivalents. WeatherNext 2 a déjà aidé les agences météorologiques en fournissant des prévisions expérimentales de cyclones basées sur des fourchettes de scénarios, permettant ainsi de prendre des décisions éclairées par de multiples résultats. https://www.youtube.com/watch?v=YQwqoEm_xis Les données de prévision de WeatherNext 2 résident désormais dans Earth Engine et BigQuery, permettant aux utilisateurs d’accéder directement à ces ensembles de données. Google a lancé un programme d’accès anticipé sur la plate-forme Vertex AI de Google Cloud, permettant l’inférence de modèles personnalisés pour les participants. Ces étapes font passer la technologie des laboratoires de recherche à des applications pratiques pour une utilisation plus large. La technologie WeatherNext améliore désormais les prévisions dans Google Search, Gemini, Pixel Weather et l’API Météo de Google Maps Platform. Dans les semaines à venir, WeatherNext 2 alimentera les informations météorologiques affichées dans Google Maps, étendant ainsi sa portée aux outils de navigation et de planification mobiles utilisés quotidiennement par des millions de personnes. À partir d’une entrée initiale, WeatherNext 2 utilise des réseaux neuronaux formés indépendamment et injecte du bruit directement dans l’espace fonctionnel. Cette méthode produit une variabilité cohérente sur des centaines de phénomènes météorologiques possibles, capturant ainsi l’ensemble du spectre des possibilités. Une telle couverture s’avère essentielle pour planifier autour des pires scénarios, qui nécessitent une préparation précise en météorologie et au-delà. WeatherNext 2 surpasse le modèle WeatherNext précédent sur 99,9 % des variables, y compris la température, le vent et l’humidité, et tous les délais de livraison de zéro à 15 jours. Ces mesures reflètent des niveaux de compétence plus élevés et une résolution horaire plus fine. Les comparaisons du score de probabilité classé continu (CRPS) confirment ces gains par rapport à WeatherNext Gen, quantifiant une précision probabiliste supérieure dans les prévisions d’ensemble. Au cœur de ces améliorations se trouve le réseau génératif fonctionnel (FGN), une nouvelle approche de modélisation de l’IA. Le FGN injecte du bruit dans l’architecture du modèle elle-même, garantissant que les prévisions générées maintiennent le réalisme physique et les interconnexions entre les variables. Cette innovation architecturale préserve la cohérence spatiale et temporelle, la distinguant des techniques traditionnelles d’ajout de bruit. https://storage.googleapis.com/gweb-uniblog-publish-prod/original_videos/WeatherNext2_figure_03.mp4
Vidéo : Google
Le modèle excelle dans la prévision des marges et des joints. Les marginaux englobent des éléments météorologiques individuels, tels que la température précise à un endroit spécifique, la vitesse du vent à une altitude désignée ou les niveaux d’humidité à un point donné. La formation se déroule exclusivement sur ces marginaux. Malgré cette portée limitée, le modèle acquiert la capacité de prédire avec précision les articulations, des systèmes complexes et interconnectés dépendant des interactions entre plusieurs éléments. Les combinaisons incluent des prévisions pour des régions entières touchées par la chaleur élevée ou la production d’énergie cumulée des parcs éoliens couvrant de vastes zones. Ces prévisions dépendent de la façon dont les différents marginaux se combinent dynamiquement. La capacité de WeatherNext 2 à dériver des distributions conjointes à partir de données de formation marginales constitue une réussite technique clé, permettant des applications dans la production d’énergie, l’agriculture et la gestion des catastrophes qui nécessitent des vues système holistiques. Le développement de WeatherNext 2 traduit la recherche en outils opérationnels. Google DeepMind et Google Research s’engagent à faire progresser les capacités des modèles grâce à l’intégration de nouvelles sources de données. Les plans prévoient une nouvelle expansion de l’accès à ces outils. La fourniture de données et de plateformes ouvertes vise à soutenir les chercheurs, les développeurs et les entreprises. Les utilisateurs peuvent explorer les initiatives géospatiales et d’IA associées via Google Earth, Earth Engine, AlphaEarth Foundations et Earth AI pour obtenir un contexte plus approfondi sur ces efforts.
