Suivez nous sur

Intelligence artificielle

Aurora : le pas de Microsoft vers un modèle d'IA de base pour l'atmosphère terrestre

mm

Publié le

 on

Alors que le réchauffement climatique s’intensifie, les communautés du monde entier sont aux prises avec ses effets dévastateurs. L’augmentation incessante des émissions de gaz à effet de serre alimente les phénomènes météorologiques extrêmes, les catastrophes naturelles dévastatrices et l’augmentation des maladies liées au climat. Les systèmes de prévision météorologique constituent notre première ligne de défense contre ces défis, mais les méthodes traditionnelles, qui reposent sur des experts humains, ont du mal à suivre le rythme. Les destructions causées par la tempête Ciarán en 2023 ont clairement montré que nous avions besoin de meilleurs modèles de prévision. Mais l'atmosphère terrestre, avec ses conditions météorologiques complexes, ses interactions chimiques et ses diverses influences, reste un défi à prévoir. Microsoft a récemment réalisé une avancée majeure pour relever ces défis. Ils ont développé un modèle d'IA de l'atmosphère terrestre, appelé Aurora, qui peut être utilisé pour les prévisions météorologiques, la surveillance de la pollution atmosphérique, etc. Cet article approfondit ce développement, explorant Aurora, ses applications et son impact au-delà des prévisions météorologiques.

Présentation d'Aurora

Aurora est révolutionnaire Modèle IA de l'atmosphère terrestre, conçu pour relever divers défis en matière de prévision, depuis les événements météorologiques extrêmes jusqu'à la pollution atmosphérique, en passant par les prévisions météorologiques à court et moyen terme. Ce qui distingue Aurora, c'est sa formation sur plus d'un million d'heures de simulations météorologiques et climatiques diverses, lui offrant une compréhension approfondie des processus atmosphériques changeants. Cela permet à Aurora d'exceller dans les tâches de prévision, même dans les régions disposant de données limitées ou lors de scénarios météorologiques extrêmes.

Construit à l'aide d'un modèle de réseau neuronal artificiel appelé le transformateur de vision, Aurora est formée pour comprendre les relations complexes à l’origine des changements atmosphériques. En tant que modèle à usage général, Aurora peut gérer plusieurs types d'entrées et produire diverses sorties. Il présente un modèle d'encodeur-décodeur basé sur une architecture de perception, spécifiquement conçue pour gérer les entrées et sorties variables dans le temps.

Le processus de formation pour Aurora comprend deux étapes : la préformation et la mise au point. Au cours du pré-entraînement, Aurora apprend à partir de divers ensembles de données avec différents niveaux de détail, couvrant un large éventail d'aspects atmosphériques tels que les conditions météorologiques et la pression atmosphérique. Il perfectionne ses compétences en minimisant les erreurs dans ces différents types de données. Après la formation initiale, Aurora passe par deux étapes de mise au point. La première étape vise à améliorer la capacité d'Aurora à faire des prévisions à court terme. Dans un deuxième temps, il affine ses compétences pour faire des prévisions précises à long terme à l'aide d'une méthode appelée Adaptation de bas rang (LoRA).

Principales caractéristiques d'Aurora

  • Entraînement intensif: L'efficacité d'Aurora réside dans sa formation sur plus d'un million d'heures de simulations météorologiques et climatiques diverses collectées à partir de six modèles météorologiques et climatiques. Cette formation complète permet à Aurora de mieux comprendre la dynamique atmosphérique.
  • Performances et Efficacité : Fonctionnant à une résolution spatiale élevée de 0.1° (environ 11 km à l'équateur), Aurora capture des détails complexes des processus atmosphériques, ce qui permet d'obtenir des prévisions plus précises que les systèmes de prévision météorologique numérique traditionnels, et ce, pour une fraction du coût de calcul.
  • Vitesse rapide: Aurora peut générer des prévisions de pollution atmosphérique mondiale sur 5 jours et des prévisions météorologiques sur 10 jours en moins d'une minute, surpassant ainsi les outils de simulation traditionnels et les meilleurs modèles d'apprentissage profond spécialisés.
  • Capacité multimodale : Aurore est un modèle d'IA multimodal, capable d'ingérer et de traiter divers types de données, notamment des données météorologiques numériques, des images satellite et des simulations climatiques.
  • Prévisions de polyvalence : Le modèle peut prévoir un large éventail de variables atmosphériques, depuis la température et la vitesse du vent jusqu'aux niveaux de pollution atmosphérique et aux concentrations de gaz à effet de serre.

Applications potentielles d’Aurora

  • Prévisions météorologiques extrêmes : Aurora excelle dans la prévision des événements météorologiques extrêmes, tels que les ouragans, les tempêtes et les vagues de chaleur. Ses capacités haute résolution permettent un suivi et une prévision précis de ces événements, offrant ainsi un délai crucial pour les efforts de préparation et de réponse aux catastrophes.
  • Surveillance de la pollution atmosphérique : Aurora peut générer des prévisions précises sur 5 jours de la pollution atmosphérique mondiale, en suivant efficacement les polluants comme le dioxyde d'azote. Cette fonctionnalité est particulièrement utile dans les régions densément peuplées où la qualité de l’air a un impact direct sur la santé publique.
  • Analyse du changement climatique : La capacité d'Aurora à ingérer et à traiter diverses données climatiques en fait un outil précieux pour étudier les tendances climatiques à long terme et évaluer les impacts du changement climatique sur divers phénomènes atmosphériques.
  • Planification agricole : En fournissant des prévisions météorologiques détaillées, Aurora soutient la planification et la prise de décision agricoles. Les agriculteurs peuvent optimiser les calendriers de plantation, l’irrigation et les périodes de récolte, réduisant ainsi le risque de mauvaises récoltes dues à des changements météorologiques inattendus.
  • Optimisation du secteur énergétique : Les prévisions météorologiques précises d'Aurora aident à optimiser la production et la distribution d'énergie. Les sources d’énergie renouvelables, telles que l’énergie solaire et éolienne, peuvent bénéficier de prévisions précises, garantissant une récupération d’énergie et une gestion du réseau efficaces.
  • Protection environnementale: Les prévisions détaillées d'Aurora et le suivi de la pollution atmosphérique contribuent aux efforts de protection de l'environnement. Les décideurs politiques et les agences environnementales peuvent utiliser ses données pour mettre en œuvre et surveiller les réglementations visant à réduire la pollution et à atténuer les impacts du changement climatique.

Aurora contre GraphCast

Aurora et GraphCast Il existe deux modèles de prévision météorologique importants, chacun avec ses propres atouts et capacités. GraphCast, développé par Google DeepMind, est très apprécié pour ses compétences en matière de prévisions météorologiques. Il est pré-entraîné sur l'ensemble de données ERA5 et fonctionne à une résolution de 0.25 degré, ce qui lui permet de prévoir la météo jusqu'à cinq jours à l'avance.

D'un autre côté, Aurora dispose d'un ensemble de données de formation plus diversifié et fonctionne à une résolution plus élevée de 0.1 degré. Cela permet à Aurora de produire des prévisions météorologiques mondiales sur 10 jours avec une plus grande précision. Dans une étude comparative, les chercheurs de Microsoft ont découvert qu'Aurora surpassait GraphCast sur plus de 91 % de toutes les cibles lorsque les deux modèles étaient évalués à une résolution de 0.25 degrés.

Une distinction clé entre les deux modèles est leur polyvalence. Alors que GraphCast se concentre uniquement sur les prévisions météorologiques, Aurora sert de modèle de base capable d'effectuer diverses tâches, notamment les prévisions météorologiques, la surveillance de la pollution atmosphérique et l'analyse du changement climatique. Cette polyvalence fait d'Aurora un outil plus complet et multiforme pour comprendre et prédire les phénomènes atmosphériques.

Conclusion

Aurora n'est pas simplement un autre modèle de prévision météorologique ; il s'agit d'un pas de pionnier vers la modélisation de l'ensemble du système terrestre, et pas seulement de l'atmosphère. Sa capacité à fonctionner correctement avec des données limitées pourrait démocratiser l’accès à des informations météorologiques et climatiques précises, bénéficiant particulièrement aux régions disposant de données limitées, comme les pays en développement. Aurora est très prometteuse pour divers secteurs, notamment l'agriculture, les transports, l'énergie et la préparation aux catastrophes, en permettant aux communautés de mieux relever les défis du changement climatique. Grâce aux progrès continus de la technologie et de la disponibilité des données, Aurora a le potentiel de devenir un élément central de la prévision météorologique et climatique, en fournissant des informations opportunes, précises et pratiques aux décideurs et au public du monde entier.

Le Dr Tehseen Zia est professeur agrégé titulaire à l'Université COMSATS d'Islamabad, titulaire d'un doctorat en IA de l'Université de technologie de Vienne, en Autriche. Spécialisé en intelligence artificielle, apprentissage automatique, science des données et vision par ordinateur, il a apporté d'importantes contributions avec des publications dans des revues scientifiques réputées. Le Dr Tehseen a également dirigé divers projets industriels en tant que chercheur principal et a servi à titre de consultant en IA.