NeuralGCM revolutionises climate modeling with machine learning

• Une équipe de chercheurs de Google et du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) a développé un nouveau modèle climatique appelé NeuralGCM qui utilise l’IA pour améliorer la vitesse et la précision des prévisions météorologiques.
• En utilisant des réseaux de neurones pour enrichir les simulations physiques traditionnelles, NeuralGCM a réalisé des avancées significatives dans la modélisation et la prédiction des processus climatiques.

NOTRE AVIS
Des chercheurs de Google et de l'ECMWF présentent un modèle climatique innovant appelé NeuralGCM. NeuralGCM utilise des réseaux de neurones pour enrichir le calcul haute performance (HPC) traditionnel en se concentrant sur les processus climatiques à petite échelle, tels que les nuages et les variations de précision, difficiles à simuler avec précision par les modèles traditionnels. En s'entraînant sur les données météorologiques historiques collectées par l'ECMWF, NeuralGCM a obtenu des résultats significatifs dans l'amélioration de la vitesse et de la précision des prévisions, en particulier dans les simulations à haute résolution, surpassant les modèles climatiques existants et apportant de nouveaux espoirs et possibilités au domaine de la science climatique et de la prévision météorologique.
-Rae Li, journaliste BTW Voir aussi: Ziggo Group nomme ses dirigeants avant l'introduction en Bourse à Amsterdam en 2027.

Ce qui s'est passé

NeuralGCM se concentre sur les processus climatiques à petite échelle difficiles à capturer avec précision par les modèles traditionnels, tels que les nuages et les changements de précision, et démontre le potentiel d'amélioration de la vitesse et de la précision des prévisions en étant entraîné à l'aide des données météorologiques historiques collectées par l'ECMWF. Il a été développé en utilisant le cadre de machine learning JAX de Google, qui permet au modèle de s'exécuter nativement sur des accélérateurs tels que les TPU ou les GPU, ce qui se traduit par des améliorations significatives de la vitesse et de l'efficacité.

Google affirme que la version à résolution de 1,4 degré du modèle NeuralGCM est plus de 3 500 fois plus rapide que le modèle X-SHiELD. Le code source et les poids du modèle NeuralGCM ont été publiés sous une licence non commerciale sur GitHub pour une utilisation publique. Les chercheurs espèrent à terme intégrer d'autres aspects du système climatique terrestre, tels que les océans et le cycle du carbone, dans le modèle, permettant à NeuralGCM de faire des prévisions sur des échelles de temps plus longues, allant au-delà de la prévision météorologique jusqu'au niveau de la prédiction climatique. Voir aussi: Association ECHOES.

Lire aussi: Qu'est-ce que DataRobot ? Automatisation de l'IA et du machine learning

Lire aussi: Qu'est-ce que DataRobot: révolutionner le machine learning et l'IA

Pourquoi c'est important

Le modèle NeuralGCM démontre le grand potentiel de l'IA pour améliorer les capacités prédictives des modèles climatiques. Les modèles NeuralGCM sont capables de simuler et de prédire les phénomènes climatiques avec plus de précision, en particulier les processus à petite échelle difficiles à capturer par les modèles traditionnels. Ils peuvent contribuer à améliorer la précision et la vitesse des prévisions météorologiques et ont des implications importantes pour la compréhension du système climatique complexe, la réponse au changement climatique et la formulation de politiques connexes. Voir aussi: Département IT - Athlok.

De plus, le développement et la publication en open source du modèle NeuralGCM ont fourni à la communauté des sciences du climat un nouvel outil qui facilite la collaboration interdisciplinaire et le partage des connaissances. En utilisant des ressources de calcul haute performance, telles que les TPU ou les GPU, les modèles NeuralGCM peuvent fonctionner à des vitesses plus rapides, ce qui aide les chercheurs à effectuer des simulations et des analyses climatiques plus efficacement. Voir aussi: Alejandro Estua.