ArchesWeatherGen : un modèle d’IA générative pour maîtriser l’incertitude météorologique

Une révolution en prévision météorologique

La valeur de prévisions météo fiables est inestimable pour de nombreux problèmes : de l'agriculture à la gestion des risques climatiques et la transition vers les énergies renouvelables. Depuis quelques années, des modèles d'intelligence artificielle générative comme Pangu-Weather (Huawei) ou GraphCast et GenCast (Google DeepMind) ont égalé ou surpassé les méthodes de simulation physique classiques, utilisées dans les grands centres météorologiques.

Des scientifiques de l'équipe-projet commune ARCHES proposent dans leur dernière publication un nouveau modèle basé sur l'IA générative permettant d'atteindre la même précision des prévisions tout en réduisant drastiquement les coûts de calcul. Leur modèle d'IA générative, baptisé ArchesWeatherGen, égale les performances des références actuelles et vise à rendre ces technologies plus accessibles à la recherche météorologique.

ArchesWeatherGen : faire plus avec moins

Commencé en septembre 2023, le projet ArchesWeatherGen repose sur une architecture originale en deux étapes. Le modèle déterministe ArchesWeather produit d'abord une prévision "moyenne" de l'état météorologique à venir. Puis un modèle génératif basé sur le flow matching, une technique utilisée notamment dans la génération d'images, vient affiner cette prévision. Ceci est appris par l'architecture en utilisant la base de données de réanalyses météorologiques ERA5. Le résultat : non plus un scénario unique, mais un ensemble de trajectoires météorologiques possibles, chacune physiquement plausible, capturant toute l'incertitude inhérente à l'atmosphère.

Le problème est décomposé en faisant intervenir deux modèles successivement : un modèle déterministe, puis un modèle probabiliste, ce qui facilite l'apprentissage. D'autres choix d'architecture, notamment la représentation de la colonne atmosphérique par le modèle, permettent de réduire les exigences computatives du modèle. Au final, ArchesWeatherGen s'entraîne 20 à 50 fois plus vite que les modèles comparables, un gain de plusieurs ordres de grandeur qui change radicalement l'équation.

Les performances sont au rendez-vous : sur le tableau de bord international WeatherBench, référence mondiale d'évaluation des modèles météo, ArchesWeatherGen se positionne aux côtés des meilleurs modèles développés par les acteurs de l'industrie technologique.

Ouvrir la recherche, démocratiser l'outil

Au-delà de la performance, l'ambition d'ArchesWeatherGen est aussi celle de l'accessibilité. L'ensemble du pipeline est disponible en open source, via le progiciel libre Geoarches, conçu pour faciliter sa prise en main par la communauté scientifique internationale.

Les perspectives sont nombreuses : amélioration de la résolution des prédictions, extension aux prévisions climatiques à plus long terme, ou encore utilisation comme modèle de base pour d'autres travaux de recherche. ArchesWeatherGen représente une étape importante vers la démocratisation des modèles de machine learning génératifs dans la recherche en prévisions météorologiques, jusqu'ici réservés aux acteurs disposant de supercalculateurs.

L'équipe-projet commune ARCHES : l'IA au service du climat

ArchesWeatherGen est le fruit de l'équipe-projet commune ARCHES (AI Research for Climate cHange and Environmental Sustainability), commune à Sorbonne Université, l'Université Versailles-Saint-Quentin-en-Yvelines, le CNRS et Inria. Composée d'une vingtaine de chercheurs et chercheuses, l'équipe a été fondée à la suite du recrutement de sa responsable, Claire Monteleoni, dans le cadre du programme "Choose France".

Leurs travaux s'inscrivent dans une mission plus large : utiliser le machine learning et le deep learning pour mieux comprendre le climat, anticiper les événements extrêmes et accompagner la transition écologique. L'équipe collabore avec de nombreux partenaires académiques comme le CNES, mais également industriels, tels que Météo-France, EDF, AXA, ou encore Google DeepMind Paris.

Pour aller plus loin

• Code source : geoarches.readthedocs.io
• Classement WeatherBench
• Page de l'équipe-projet commune ARCHES

Pour aller plus loin

• Confronting climate change with generative and self-supervised machine learning , conférence de Claire Monteleoni (vidéo, en anglais), Collège de France, 5 mai 2025.
• IA : comment les chercheurs et chercheuses s'attaquent aux défis environnementaux ? (dossier), Inria, 21 janvier 2025.

Dans l'actualité du Centre Inria de Paris

Agathe Guilloux, chercheuse Inria, porte la chaire "Intelligence artificielle et Recherche clinique en oncologie" créée par L'Institut national du cancer et l'Université Paris Cité

ArchesWeatherGen : un modèle d'IA générative pour maîtriser l'incertitude météorologique

MEGAVOLT : reconstruire le pont entre mathématiques et informatique