Les modèles d'IA de plus en plus puissants peuvent faire des prévisions météorologiques à court terme avec une précision surprenante. Mais les réseaux de neurones ne prédisent que sur les modèles du passé – que se passe-t-il lorsque la météo fait quelque chose de sans précédent dans l'histoire enregistrée?
Une nouvelle étude dirigée par des scientifiques de l'Université de Chicago, en collaboration avec l'Université de New York et l'Université de Californie, Santa Cruz, teste les limites de la prédiction météorologique alimentée par l'IA. Dans la recherche publiée le 21 mai dans le Actes de l'Académie nationale des sciencesils ont constaté que les réseaux de neurones ne peuvent pas prévoir des événements météorologiques au-delà de la portée des données de formation existantes – qui pourraient laisser de côté des événements tels que des inondations de 200 ans, des vagues de chaleur sans précédent ou des ouragans massifs.
Cette limitation est particulièrement importante car les chercheurs intègrent des réseaux de neurones dans les prévisions météorologiques opérationnelles, les systèmes d'alerte précoce et les évaluations des risques à long terme, ont déclaré les auteurs. Mais ils ont également déclaré qu'il existe des moyens de résoudre le problème en intégrant plus de mathématiques et de physique dans les outils d'IA.
« Les modèles météorologiques de l'IA sont l'une des plus grandes réalisations de l'IA en science. Ce que nous avons constaté, c'est qu'ils sont remarquables, mais pas magiques », a déclaré Pedram Hassanzadeh, professeur agrégé de sciences géophysiques à Uchicago et auteur correspondant à l'étude. « Nous n'avons ces modèles que depuis quelques années, donc il y a beaucoup de place pour l'innovation. »
Événements de cygne gris
Les prévisions météorologiques AIS fonctionnent de manière similaire à d'autres réseaux de neurones avec lesquels de nombreuses personnes interagissent désormais, comme Chatgpt.
Essentiellement, le modèle est « formé » en lui alimentant un tas de texte ou d'images dans un modèle et lui demandant de rechercher des motifs. Ensuite, lorsqu'un utilisateur présente le modèle avec une question, il revient sur ce qu'il a déjà vu et l'utilise pour prédire une réponse.
Dans le cas des prévisions météorologiques, les scientifiques forment des réseaux de neurones en leur nourrissant des décennies de données météorologiques. Ensuite, un utilisateur peut saisir des données sur les conditions météorologiques actuelles et demander au modèle de prédire la météo pour les prochains jours.
Les modèles d'IA sont très bons dans ce domaine. Généralement, ils peuvent atteindre la même précision qu'un modèle météorologique haut de gamme basé sur les superordinateurs qui utilise 10 000 à 100 000 fois plus de temps et d'énergie, a déclaré Hassanzadeh.
« Ces modèles font vraiment très bien pour le temps quotidien », a-t-il déclaré. « Mais que se passe-t-il si la semaine prochaine il y a un événement météorologique bizarre? »
La préoccupation est que le réseau neuronal ne fonctionne que sur les données météorologiques que nous avons actuellement, ce qui remonte à environ 40 ans. Mais ce n'est pas la gamme complète de temps possibles.
« Les inondations causées par l'ouragan Harvey en 2017 ont été considérées comme un événement une fois sur 2 000 ans, par exemple », a déclaré Hassanzadeh. « Ils peuvent arriver. »
Les scientifiques appellent parfois ces événements d'événements « Swan gris ». Ils ne sont pas tout à fait à un événement de cygne noir – quelque chose comme l'astéroïde qui a tué les dinosaures – mais ils sont localement dévastateurs.
L'équipe a décidé de tester les limites des modèles d'IA en utilisant des ouragans comme exemple. Ils ont formé un réseau neuronal en utilisant des décennies de données météorologiques, mais ont supprimé tous les ouragans plus forts qu'une catégorie 2. Ensuite, ils l'ont nourri d'une condition atmosphérique qui mène à un ouragan de catégorie 5 en quelques jours. Le modèle pourrait-il extrapoler pour prédire la force de l'ouragan?
La réponse était non.
« Il a toujours sous-estimé l'événement. Le modèle sait que quelque chose arrive, mais il prédit toujours que ce ne sera qu'un ouragan de catégorie 2 », a déclaré Yongqiang Sun, chercheur à Uchicago et l'autre auteur correspondant de l'étude.
Ce type d'erreur, connu sous le nom de faux négatif, est un gros problème dans les prévisions météorologiques. Si une prévision vous indique qu'une tempête sera un ouragan de catégorie 5 et que ce n'est qu'une catégorie 2, cela signifie que les gens ont évacué qui n'aurait peut-être pas besoin, ce qui n'est pas idéal. Mais si une prévision sous-estime un ouragan qui se révèle être une catégorie 5, les conséquences seraient bien pires.
Avertissements des ouragans et pourquoi la physique compte
La grande différence entre les réseaux de neurones et les modèles météorologiques traditionnels est que les modèles traditionnels « comprennent » la physique. Les scientifiques les conçoivent pour intégrer notre compréhension des mathématiques et de la physique qui régissent la dynamique atmosphérique, les jets de jet et autres phénomènes.
Les réseaux de neurones ne font rien de tout cela. Comme Chatgpt, qui est essentiellement une machine à texte prédictive, ils regardent simplement les conditions météorologiques et suggèrent ce qui vient ensuite, en fonction de ce qui s'est passé dans le passé.
Aucun service majeur n'utilise actuellement uniquement des modèles d'IA pour la prévision. Mais à mesure que leur utilisation se développe, cette tendance devra être prise en compte, a déclaré Hassanzadeh.
Les chercheurs, des météorologues aux économistes, commencent à utiliser l'IA pour les évaluations des risques à long terme. Par exemple, ils pourraient demander à une IA de générer de nombreux exemples de conditions météorologiques, afin que nous puissions voir les événements les plus extrêmes qui pourraient se produire dans chaque région à l'avenir. Mais si une IA ne peut pas prédire quelque chose de plus fort que ce qu'elle a vu auparavant, son utilité serait limitée pour cette tâche critique.
Cependant, ils ont constaté que le modèle pouvait prédire les ouragans plus forts en cas de précédent, même ailleurs dans le monde, dans ses données de formation. Par exemple, si les chercheurs ont supprimé toutes les preuves des ouragans de l'Atlantique mais sont partis dans les ouragans du Pacifique, le modèle pourrait extrapoler pour prédire les ouragans de l'Atlantique.
« Il s'agissait d'une découverte surprenante et encourageante: cela signifie que les modèles peuvent prévoir un événement qui n'a pas été constitué dans une région mais s'est produit de temps en temps dans une autre région », a déclaré Hassanzadeh.
Fusion des approches
La solution, a suggéré les chercheurs, est de commencer à incorporer des outils mathématiques et les principes de la physique atmosphérique dans des modèles basés sur l'IA.
« L'espoir est que si les modèles d'IA peuvent vraiment apprendre la dynamique atmosphérique, ils pourront comprendre comment prévoir des cygnes gris », a déclaré Hassanzadeh.
Comment procéder est un domaine de recherche chaud. Une approche prometteuse que l'équipe recherche est appelée apprentissage actif – où l'IA aide à guider les modèles météorologiques traditionnels basés sur la physique pour créer plus d'exemples d'événements extrêmes, qui peuvent ensuite être utilisés pour améliorer la formation de l'IA.
« Les ensembles de données simulés ou observés ne fonctionneront pas. Nous devons réfléchir à des moyens plus intelligents de générer des données », a déclaré Jonathan Weare, professeur au Courant Institute of Mathematical Sciences de l'Université de New York et co-auteur d'étude.
« Dans ce cas, cela signifie répondre à la question » Où dois-je placer mes données de formation pour obtenir de meilleures performances sur les extrêmes? » Heureusement, nous pensons que les modèles météorologiques de l'IA eux-mêmes, lorsqu'ils sont associés aux bons outils mathématiques, peuvent aider à répondre à cette question. «
Le professeur Dorian Abbot de l'Université de Chicago et le scientifique informatique Mohsen Zand étaient également co-auteurs de l'étude, ainsi que Ash Chattopadhyay de l'Université de Californie à Santa Cruz.
