Google DeepMind présente WeatherNext 2, un modèle d'IA pour des prévisions météorologiques mondiales précises.

Google DeepMind Google Analytics, la division IA de Google, a lancé WeatherNext 2, son système le plus avancé à ce jour pour générer des prévisions météorologiques mondiales avec une précision améliorée et une résolution plus élevée.

WeatherNext 2 peut produire des prévisions jusqu'à huit fois plus rapidement, avec une résolution temporelle d'une heure, grâce à un nouveau modèle capable de générer des centaines de scénarios potentiels. Cette approche a été utilisée pour aider les agences météorologiques dans leur prise de décision, notamment pour des prévisions expérimentales de cyclones.

Le système est désormais accessible aux utilisateurs, les données prévisionnelles étant disponibles via Google Earth Engine et BigQuery. Par ailleurs, un programme d'accès anticipé a été lancé sur la plateforme d'IA Vertex de Google Cloud afin de permettre l'inférence de modèles personnalisés.

L'intégration de la technologie WeatherNext a déjà amélioré les prévisions météorologiques sur Google Search, Gemini, Pixel Weather et l'API Météo de Google Maps Platform, et dans les semaines à venir, elle prendra également en charge les informations météorologiques au sein de Google Maps .

WeatherNext 2 introduit des réseaux génératifs fonctionnels basés sur l'IA pour de meilleures prévisions météorologiques

Des prévisions météorologiques précises nécessitent de prendre en compte l'ensemble des scénarios possibles, y compris les situations extrêmes essentielles à la planification. WeatherNext 2 est capable de générer des centaines de scénarios météorologiques potentiels à partir d'une seule condition initiale, chaque prévision étant réalisée en moins d'une minute sur une seule TPU – une opération qui exigerait des heures de calcul avec les modèles de supercalculateurs physiques traditionnels.

Ce système fournit des prévisions très performantes et à haute résolution, jusqu'à l'heure près, surpassant le modèle WeatherNext précédent sur 99.9 % des variables, notamment la température, le vent et l'humidité, pour des échéances allant de 0 à 15 jours. Il permet ainsi des prévisions plus précises et exploitables.

L'amélioration des performances est obtenue grâce à un nouveau Modélisation de l'IA une approche connue sous le nom de réseau génératif fonctionnel (FGN), qui introduit un « bruit » contrôlé directement dans l'architecture du modèle, garantissant ainsi que les prévisions restent physiquement réalistes et cohérentes en interne.

Cette méthodologie est particulièrement efficace pour prédire à la fois les « variables marginales » — des éléments météorologiques individuels tels que la température en un lieu, la vitesse du vent à une altitude donnée ou l'humidité — et les « interactions », c'est-à-dire des systèmes complexes et interconnectés qui dépendent des relations entre ces éléments individuels. Bien que le modèle soit entraîné uniquement sur les variables marginales, il peut inférer avec précision les interactions, ce qui lui permet de prévoir des tendances à grande échelle, comme les régions connaissant des vagues de chaleur extrêmes ou la production d'énergie attendue d'un parc éolien entier.

Avec WeatherNext 2, la recherche de pointe est appliquée à la prévision météorologique pratique et à fort impact. Les efforts se poursuivent pour perfectionner et améliorer la technologie tout en rendant les outils les plus récents accessibles à la communauté mondiale.

Les travaux futurs porteront notamment sur l'exploration de sources de données supplémentaires et l'élargissement de leur accessibilité afin de toucher un plus grand nombre d'utilisateurs. En fournissant des outils performants et des données ouvertes, cette initiative vise à soutenir la découverte scientifique et à permettre aux chercheurs, aux développeurs et aux organisations du monde entier de prendre des décisions éclairées face à des défis complexes et de stimuler l'innovation pour l'avenir.