Les algorithmes qui sous-tendent les outils d’IA générative comme DallE, lorsqu’ils sont combinés à des données basées sur la physique, peuvent être utilisés pour développer de meilleures façons de modéliser le climat de la Terre. Des informaticiens de Seattle et de San Diego ont maintenant utilisé cette combinaison pour créer un modèle capable de prédire les modèles climatiques sur 100 ans, soit 25 fois plus vite que l’état de l’art.

Plus précisément, le modèle, appelé Spherical DYffusion, peut projeter 100 ans de modèles climatiques en 25 heures – une simulation qui prendrait des semaines pour d’autres modèles. De plus, les modèles de pointe existants doivent fonctionner sur des supercalculateurs. Ce modèle peut s’exécuter sur des clusters GPU dans un laboratoire de recherche.

« Les modèles d’apprentissage profond basés sur les données sont sur le point de transformer la modélisation météorologique et climatique mondiale », écrivent les chercheurs de l’Université de Californie à San Diego et de l’Institut Allen pour l’IA.

L’équipe de recherche présentera ses travaux à la conférence NeurIPS 2024, du 9 au 15 décembre à Vancouver, au Canada.

Les simulations climatiques sont actuellement très coûteuses à générer en raison de leur complexité. Par conséquent, les scientifiques et les décideurs politiques ne peuvent exécuter des simulations que pendant une durée limitée et n’envisager que des scénarios limités.

L’une des principales idées des chercheurs était que les modèles d’IA générative, tels que les modèles de diffusion, pouvaient être utilisés pour des projections climatiques d’ensemble. Ils l’ont combiné avec un opérateur neuronal sphérique, un modèle de réseau neuronal conçu pour fonctionner avec des données sur une sphère.

Le modèle résultant commence par la connaissance des modèles climatiques, puis applique une série de transformations basées sur des données apprises pour prédire les modèles futurs.

« L’un des principaux avantages par rapport à un modèle de diffusion classique (DM) est que notre modèle est beaucoup plus efficace. Il est peut-être possible de générer des prédictions tout aussi réalistes et précises avec des DM conventionnels, mais pas à une telle vitesse", écrivent les chercheurs.

En plus de fonctionner beaucoup plus rapidement que l’état de l’art, le modèle est également presque aussi précis sans être aussi coûteux en termes de calcul.

Il existe certaines limites au modèle que les chercheurs visent à surmonter dans ses prochaines itérations, comme l’inclusion de plus d’éléments dans leurs simulations. Les prochaines étapes consistent à simuler la façon dont l’atmosphère réagit au CO2.

« Nous avons émulé l’atmosphère, qui est l’un des éléments les plus importants d’un modèle climatique », a déclaré Rose Yu, membre du corps professoral du département d’informatique et d’ingénierie de l’UC San Diego et l’un des auteurs principaux de l’article.