Une équipe de l’Université de Manchester, en collaboration avec l’équipe NVIDIA Earth-2, a développé un modèle fondé sur l’intelligence artificielle pour simuler et prévoir la pollution de l’air dans l’ensemble du Royaume-Uni, avec une résolution spatiale comprise entre deux et trois kilomètres. Le projet vise à réduire le coût de calcul élevé des modèles traditionnels qui combinent les données météorologiques et les interactions chimiques dans l’atmosphère.
Les travaux sont dirigés par David Topping, professeur au département des sciences de la Terre et de l’environnement de l’Université de Manchester. L’équipe s’est appuyée sur des données de pollution produites par une simulation chimico-climatique couvrant une année entière, à intervalles horaires, puis a entraîné un modèle Earth-2 CorrDiff afin de générer des cartes plus détaillées de la répartition des polluants. Selon NVIDIA, le modèle a réussi dès sa première tentative d’entraînement.
De la simulation chimique à la prévision rapide
Les modèles traditionnels de qualité de l’air nécessitent des calculs intensifs en raison de l’intégration de la chimie atmosphérique dans les modèles météorologiques, ce qui limite le niveau de détail et le nombre d’exécutions possibles. L’équipe de Manchester a tenté d’utiliser les cadres d’intelligence artificielle générative développés par NVIDIA pour la météorologie et le climat, afin de traiter des « champs » de pollution plutôt que de calculer chaque interaction de manière traditionnelle.
L’entraînement a utilisé un seul nœud équipé de huit unités de traitement graphique sur le superordinateur britannique Isambard-AI, à Bristol. Le système comprend 5 448 puces NVIDIA GH200 Grace Hopper Superchip, avec une capacité annoncée de 21 exaflops pour les charges de travail d’intelligence artificielle. L’entraînement a duré deux jours, selon le contenu publié.
L’équipe a ensuite ajouté le modèle Earth-2 StormCast pour produire des prévisions dépendant du temps et utilisant directement les observations de la qualité de l’air. Les chercheurs ont également présenté les flux d’entraînement et d’inférence sur le système de bureau NVIDIA DGX Spark, équipé d’une puce GB10 Grace Blackwell. Topping affirme que la présence d’un appareil DGX Spark dans son bureau lui permet de réentraîner les modèles et d’effectuer des entraînements de moindre ampleur sans recourir au superordinateur.
Pourquoi cette évolution est-elle importante ?
Le contenu indique que la pollution de l’air a contribué à environ 30 000 décès au Royaume-Uni au cours de l’année dernière, ce qui confère à l’amélioration des prévisions une pertinence directe pour la santé publique. Les services de santé pourraient utiliser ces prévisions pour informer les patients souffrant de maladies telles que l’asthme d’une hausse prévue de la pollution dans leur région le lendemain ou au cours de la semaine suivante.
L’équipe teste également la connexion du modèle à des dispositifs d’intelligence artificielle en périphérie, qui reçoivent des mesures de la qualité de l’air en temps réel. Parmi les applications envisagées figurent le soutien aux décisions rapides lors d’incendies de forêt, ainsi que l’utilisation du modèle pour simuler l’impact de changements potentiels dans les politiques gouvernementales liées à la pollution.
Qu’est-ce qui change concrètement ?
Le changement le plus notable est le passage d’exécutions centralisées coûteuses à un modèle qui peut être exécuté, au moins pour l’inférence et certains entraînements, sur un ordinateur de bureau. L’équipe prévoit d’améliorer la résolution du modèle jusqu’à l’échelle des rues en intégrant des données publiques supplémentaires. Elle entend également publier les données d’entraînement et les flux de travail en open source afin que d’autres pays et villes puissent construire des modèles locaux à partir de leurs propres données.
Cependant, le contenu ne fournit pas de résultats quantitatifs détaillés sur la précision des prévisions par rapport aux modèles chimiques traditionnels et ne démontre pas encore le fonctionnement d’un service de santé ou d’un système d’alerte public reposant sur ce modèle. Les promesses concernant les prévisions en temps réel et les applications cliniques restent donc des objectifs à l’étude, et non des services effectivement disponibles. L’importance du projet réside actuellement dans la démonstration de la possibilité de transférer les cadres Earth-2 au domaine de la pollution de l’air et dans la réduction du seuil d’accès aux outils de modélisation, tandis que la validation indépendante, la qualité des données locales et le calendrier de publication des ressources ouvertes restent des questions auxquelles il faut répondre.