Quand on écoute quelqu'un parler, on distingue à la fois les mots et l'intonation. Si l'un des deux manque, le sens se déforme. La prévision météo fonctionne un peu de la même manière : sur une image satellite, il y a à la fois des détails fins, comme des nuages isolés, et de grandes vagues qui s'étendent sur un demi-continent. Autrefois, les réseaux de neurones étaient performants pour l'un ou pour l'autre, mais rarement pour les deux à la fois.

SFANet agit comme un interprète attentif. D'abord, elle examine l'image par sections, en moyennant les zones voisines pour ne pas se noyer dans les détails. Ensuite, elle transforme l'image en une autre représentation, où l'on voit les vagues de grande et de petite échelle, un peu comme une partition de musique. Puis, un module spécial compare ces deux « traductions » et décide à laquelle se fier en chaque point.

Grâce à cette approche, le modèle, qui compte 16,4 millions de paramètres, prédit les précipitations plus précisément que des concurrents plus lourds. Pour El Niño, ce courant chaud du Pacifique qui influence le climat mondial, l'amélioration atteint 4,7%. Cela signifie que les prévisions deviendront plus fiables, sans nécessiter davantage de ressources de calcul qu'auparavant.