L'IA de DeepMind prédit presque exactement quand et où il va pleuvoir

Getty

D'abord repliement des protéines , maintenant prévisions météorologiques : la société d'IA basée à Londres DeepMind poursuit sa course en appliquant l'apprentissage en profondeur à des problèmes de science dure. En collaboration avec le Met Office, le service météorologique national du Royaume-Uni, DeepMind a développé un outil d'apprentissage en profondeur appelé DGMR qui peut prédire avec précision la probabilité de pluie dans les 90 prochaines minutes, l'un des défis les plus difficiles de la prévision météorologique.

Dans une comparaison aveugle avec les outils existants, plusieurs dizaines d'experts ont jugé que les prévisions de DGMR étaient les meilleures pour une gamme de facteurs, y compris ses prévisions de l'emplacement, de l'étendue, du mouvement et de l'intensité de la pluie, 89 % du temps. Les résultats ont été publié dans un journal Nature aujourd'hui.

Le nouvel outil de DeepMind n'est pas AlphaFold, qui a ouvert un problème clé en biologie avec lesquels les scientifiques se débattaient depuis des décennies. Pourtant, même une petite amélioration des prévisions compte.

La prévision de la pluie, en particulier des fortes pluies, est cruciale pour de nombreuses industries, des événements en plein air à l'aviation en passant par les services d'urgence. Mais le faire bien est difficile. Déterminer la quantité d'eau dans le ciel, et quand et où elle va tomber, dépend d'un certain nombre de processus météorologiques, tels que les changements de température, la formation de nuages ​​et le vent. Tous ces facteurs sont suffisamment complexes en eux-mêmes, mais ils le sont encore plus lorsqu'ils sont pris ensemble.

Les meilleures techniques de prévision existantes utilisent des simulations informatiques massives de la physique atmosphérique. Celles-ci fonctionnent bien pour les prévisions à plus long terme, mais sont moins efficaces pour prédire ce qui va se passer dans la prochaine heure environ, connue sous le nom de prévision immédiate. Des techniques d'apprentissage en profondeur antérieures ont été développées, mais elles réussissent généralement bien à une chose, comme la prédiction de l'emplacement, au détriment d'autre chose, comme la prédiction de l'intensité.

Comparaison du DGMR avec les données radar réelles et deux techniques de prévision concurrentes pour les fortes pluies sur l'est des États-Unis en avril 2019

PROFONDEUR

La prévision immédiate des précipitations reste un défi de taille pour les météorologues, explique Greg Carbin, chef des opérations de prévision au NOAA Weather Prediction Center aux États-Unis, qui n'a pas participé aux travaux.

L'équipe DeepMind a formé son IA sur les données radar. De nombreux pays publient fréquemment des instantanés tout au long de la journée de mesures radar qui suivent la formation et le mouvement des nuages. Au Royaume-Uni, par exemple, une nouvelle lecture est publiée toutes les cinq minutes. L'assemblage de ces instantanés fournit une vidéo en stop-motion à jour qui montre comment les modèles de pluie se déplacent à travers un pays, similaire aux visuels de prévision que vous voyez à la télévision.

Les chercheurs ont transmis ces données à un réseau génératif profond, similaire à un GAN, une sorte d'IA entraînée pour générer de nouveaux échantillons de données très similaires aux données réelles sur lesquelles il a été formé. Les GAN ont été utilisés pour générer de faux visages , même de faux Rembrandt. Dans ce cas, DGMR (qui signifie modèle génératif profond de précipitations) a appris à générer de faux instantanés radar qui ont continué la séquence de mesures réelles. C'est la même idée que de voir quelques images d'un film et de deviner ce qui va suivre, explique Shakir Mohamed, qui a dirigé les recherches chez DeepMind.

Pour tester l'approche, l'équipe a demandé à 56 météorologues du Met Office (qui n'étaient pas autrement impliqués dans le travail) d'évaluer DGMR dans une comparaison aveugle avec les prévisions faites par une simulation physique de pointe et un profond rival -outil d'apprentissage; 89% ont déclaré préférer les résultats donnés par la DGMR.

Les algorithmes d'apprentissage automatique essaient généralement d'optimiser une simple mesure de la qualité de sa prédiction, explique Niall Robinson, responsable des partenariats et de l'innovation produit au Met Office, co-auteur de l'étude. Cependant, les prévisions météorologiques peuvent être bonnes ou mauvaises de différentes manières. Peut-être qu'une prévision obtient des précipitations au bon endroit mais à la mauvaise intensité, ou qu'une autre obtient le bon mélange d'intensités mais aux mauvais endroits, et ainsi de suite. Nous avons déployé beaucoup d'efforts dans cette recherche pour évaluer notre algorithme par rapport à une large gamme de mesures.

Histoire connexe

DeepMind dit qu'il libérera la structure de chaque protéine connue de la science

La société a déjà utilisé son IA de repliement de protéines, AlphaFold, pour générer des structures pour le protéome humain, ainsi que des levures, des mouches des fruits, des souris, etc.

La collaboration de DeepMind avec le Met Office est un bon exemple de développement d'IA réalisé en collaboration avec l'utilisateur final, quelque chose qui semble être une bonne idée mais qui souvent ne se produit pas. L'équipe a travaillé sur le projet pendant plusieurs années et la contribution des experts du Met Office a façonné le projet. Cela a poussé le développement de notre modèle d'une manière différente de ce que nous aurions fait par nous-mêmes, explique Suman Ravuri, chercheur à DeepMind. Sinon, nous aurions pu faire un modèle qui n'était finalement pas particulièrement utile.

DeepMind est également désireux de démontrer que son IA a des applications pratiques. Pour Shakir, DGMR fait partie de la même histoire qu'AlphaFold : l'entreprise tire profit de ses années de résolution de problèmes difficiles dans les jeux. Peut-être que le plus gros point à retenir ici est que DeepMind commence enfin à cocher une liste de problèmes scientifiques réels.

cacher