Comment fonctionnent les modèles météo IA

Parmi les routes que Saily WR trace pour une traversée, trois viennent de modèles pas comme les autres : AIFS de l'ECMWF, AICON du DWD et AIGFS de la NOAA. Depuis soixante-dix ans, prévoir le temps voulait dire résoudre la physique de l'atmosphère ; leur vent sort au contraire de réseaux de neurones qui ont appris la météo de son propre passé. Les mots « intelligence artificielle » poussent à la foi aveugle ou au haussement d'épaules, et ni l'une ni l'autre n'aide un skipper qui pèse un départ. Pour savoir quel poids méritent leurs routes, mieux vaut ouvrir la boîte et regarder ce qui s'y passe.

Un modèle météo classique, c'est de la physique au travail. Il découpe l'atmosphère en boîtes, d'environ 9 km de côté et empilées sur 137 étages pour l'IFS de l'ECMWF, et applique dans chacune les lois qui gouvernent l'air : celles de Newton pour son mouvement, la conservation de sa masse, de son énergie et de son eau. Pas après pas, quelques minutes de météo à la fois, il calcule comment évoluent le vent, la pression, la température et l'humidité. Ce qui est plus petit qu'une boîte, un cumulus, la turbulence au ras des vagues, ne peut pas se calculer : des règles simplifiées le représentent, les paramétrisations, où se cache une bonne part de l'erreur d'un modèle. Une prévision à quinze jours occupe une large part d'un supercalculateur.

Toute prévision, classique ou non, part d'une image du présent, l'analyse. L'ECMWF reçoit quelque 800 millions d'observations par jour, venues des satellites, des ballons-sondes, des avions, des navires, des bouées dérivantes et des stations météo, et en garde une soixantaine de millions une fois contrôlées, mais elles laissent de grands vides, surtout sur les océans. L'assimilation de données les comble : elle prend une courte prévision du modèle physique et la tire vers chaque observation, autant que celle-ci mérite qu'on s'y fie, jusqu'au meilleur compromis entre ce que le modèle attendait et ce qui a été mesuré. Cette étape, la plus délicate de toute la chaîne, compte pour la suite : aucun des modèles IA de Saily WR ne l'accomplit. Chacun part de l'analyse d'un modèle physique.

Le saut des modèles IA, c'est de remplacer les équations par l'expérience. Imaginez un navigateur qui aurait étudié toutes les cartes météo des quarante dernières années, de six heures en six heures, et appris par cœur comment chacune devenait la suivante : devant la carte de maintenant et celle d'il y a six heures, il saurait esquisser celle de six heures plus tard. C'est exactement la question posée à un réseau de neurones : connaissant l'état de l'atmosphère maintenant et un pas plus tôt, prédire celui d'un pas plus tard, six heures pour AIFS et AIGFS, trois pour AICON. Aucune loi de la physique n'y est écrite : tout ce qu'il sait, il l'a trouvé dans ses exemples.

Son manuel est une réanalyse : la météo du passé reconstruite avec un seul modèle et une seule méthode d'assimilation, pour que chaque année soit dessinée de la même façon. ERA5, la réanalyse de l'ECMWF, donne l'état de l'atmosphère heure par heure depuis 1940, sur une grille d'un quart de degré. AIFS a appris sur ses années 1979 à 2022, puis sur les analyses récentes de l'ECMWF ; GraphCast, le réseau de Google DeepMind au cœur d'AIGFS, sur ERA5 et les analyses de l'ECMWF aussi, avant que la NOAA l'affine sur les siennes ; AICON sur quinze ans d'une réanalyse que le DWD a faite avec ICON. Entraîner, c'est montrer au réseau des millions de couples d'états, mesurer chaque fois de combien sa réponse s'écarte de ce qui s'est passé, et ajuster ses millions de paramètres, les poids de ses connexions, pour tomber un peu plus près. Cela se fait une fois par version, environ une semaine sur 64 processeurs graphiques pour AIFS, puis le modèle sert tel quel.

Comment un réseau embrasse-t-il une planète entière ? Pas comme une image plate : la Terre est ronde, et sur une grille de latitudes et de longitudes les méridiens se resserrent aux pôles. Les trois rassemblent la météo sur un maillage de points répartis également sur la sphère et reliés à leurs voisins, un graphe. GraphCast le construit en divisant, encore et encore, les faces d'un icosaèdre, un dé à vingt faces, jusqu'à quelque 40 000 nœuds ; AICON le tire des triangles mêmes d'ICON. Dans GraphCast et AICON, les nœuds s'échangent alors des messages : les liens courts portent le temps local, les liens longs font traverser un océan à l'information en un seul pas. AICON pèse ces messages par l'attention, un mécanisme par lequel chaque point apprend lesquels de ses voisins comptent le plus ; AIFS, dont le cœur est un transformeur plutôt qu'un graphe, applique l'attention à des fenêtres qui glissent sur son maillage. À la fin, le résultat est redistribué sur la grille de la prévision.

Un réseau qui ne sait regarder qu'un pas plus loin atteint des jours d'échéance en se nourrissant de lui-même : sa prévision à six heures devient le point de départ du pas suivant, et ainsi de suite, 64 fois pour les seize jours d'AIGFS. Cet enchaînement, l'autorégression, est le maillon faible : une erreur commise tôt se reporte sur tous les pas qui suivent, et peut grandir. Pour la contenir, on entraîne les réseaux non seulement sur un pas, mais aussi sur plusieurs enchaînés, afin qu'ils apprennent à corriger leur propre dérive. Cet entraînement a un coût caché, auquel viennent les paragraphes suivants : le DWD a choisi d'entraîner AICON sur un seul pas de trois heures, justement pour garder le détail qu'un entraînement plus long efface.

Une fois entraînés, ces modèles sont d'une sobriété frappante. Une prévision AIFS à dix jours prend quelques minutes sur un seul processeur graphique, là où l'IFS mobilise une large part d'un supercalculateur, et l'ECMWF chiffre l'énergie économisée à environ mille fois. Cela change ce qu'un centre de prévision peut se permettre : lancer cinquante prévisions à la fois pour mesurer l'incertitude, comme AIFS ENS avec ses 51 membres, coûte peu. Mais l'économie s'arrête à la prévision elle-même. L'analyse dont elle part vient toujours du système physique et de ses observations, à plein coût : les modèles IA rendent la prévision moins chère, pas la connaissance du présent.

Leur défaut le plus connu tient à la façon dont on les note. Pendant l'entraînement, l'erreur se mesure le plus souvent comme une erreur quadratique moyenne, la moyenne des carrés des écarts entre prévision et réalité. Or à cinq jours, l'atmosphère a plusieurs avenirs possibles : une dépression peut passer au nord de l'Irlande, ou au sud. Face à ce doute, la réponse qui rend l'erreur quadratique la plus petite n'est ni l'une ni l'autre trajectoire, mais leur moyenne, une dépression moins creuse quelque part entre les deux. Le réseau apprend à ménager la chèvre et le chou, et ses champs se lissent à mesure qu'il regarde loin : les pointes de vent s'émoussent, les fronts s'adoucissent, les tempêtes faiblissent. L'ECMWF note qu'AIFS donne des cyclones tropicaux moins intenses que l'IFS, et les prévisionnistes du DWD ont trouvé qu'AICON sous-estime les vents forts.

La recherche s'active à le soigner. Des ensembles entraînés sur un autre score, le score de probabilité ordonnée continu ou CRPS, qui récompense un jeu de prévisions dont la dispersion correspond à l'incertitude réelle, gardent chaque membre net au lieu de les fondre en une moyenne lisse : c'est la voie d'AIFS ENS. La version 1.1 d'AIGFS, depuis juillet, mesure ses erreurs sur les motifs de chaque champ, échelle par échelle, plutôt que point par point, pour moins flouter au loin. AICON, entraîné sur un seul pas court, ressort moins flou, selon le DWD lui-même, que les modèles déterministes entraînés sur ERA5. Aucun de ces remèdes n'est complet, et Saily WR lit une seule prévision de chaque modèle : dans un coup de vent, le vent d'un modèle IA se lit encore comme probablement trop faible.

Là où AIFS et AIGFS brillent, c'est la grande image à plusieurs jours, celle qui décide d'une traversée océanique : où seront les dépressions et les anticyclones, quand un front arrivera, quelle route prendra une tempête tropicale. Dans sa forme d'origine, partie des analyses de l'ECMWF, GraphCast a battu la meilleure prévision déterministe de son temps sur 90 % des 1 380 cibles où on l'a vérifié ; l'ECMWF a trouvé AIFS devant son IFS physique sur bien des mesures, jusqu'à 20 %, dont les trajectoires des cyclones tropicaux. AICON, bâti pour le temps près de la surface, fait le mieux sur le vent des premiers jours, et cède le pas à ICON sur les grands systèmes au-delà de deux jours environ. Ce sont des scores de positions et de motifs, pas de force du vent dans un grain.

Leurs limites viennent de ce qu'ils ont appris. Un réseau ne connaît que la météo de son manuel : une tempête plus forte que toutes celles de ses décennies de réanalyse sort de son expérience, et rien en lui ne garantit le respect des lois de la physique au-delà de ce que ses exemples lui ont appris. La première version d'AIFS, mal pondérée sur l'humidité du sol pendant son entraînement, prévoyait des taches de pluie sorties de nulle part. Leurs grilles sont grossières, environ 30 km pour AIFS et AIGFS, et les triangles de 13 km d'AICON parviennent à Saily WR sur une grille d'un quart de degré comme la leur : ni brise de mer, ni accélération au cap, ni dévent derrière une île. Et ils ne remplacent pas les modèles physiques, ils s'appuient sur eux : sans l'analyse de l'IFS, de GFS ou d'ICON, ils n'auraient pas de point de départ.

Cette dépendance est justement ce qui les rend utiles en mer. Chaque modèle IA a un jumeau physique qui part exactement de la même analyse : AIFS avec l'IFS de l'ECMWF, AICON avec ICON, AIGFS avec GFS. Là où les routes de deux jumeaux divergent, elles partent de la même météo, donc l'écart vient des seuls modèles : signe d'une prévision incertaine, ou d'un modèle IA qui la lisse. Disons que vous attendez à La Corogne une fenêtre pour traverser le golfe de Gascogne dans quatre jours : si AIFS et l'IFS s'accordent, et que GFS, parti d'une autre analyse, est d'accord avec eux, la fenêtre repose sur du solide ; si AIFS seul montre une dépression plus douce, il la lisse très probablement. Lisez AIFS et AIGFS pour le où et le quand des grands systèmes, AICON pour le vent des premiers jours, les modèles physiques pour la force du vent, et leur désaccord comme la mesure de votre doute.