Prévisions météo sur une seule carte graphique express
Prévoir la météo, c'est un peu comme essayer de prédire où roulera une pierre sur une pente en connaissant la forme de chaque bosse et la force du vent. On se trompe au départ, et une semaine plus tard, l'erreur s'est transformée en véritable tempête. Avant, pour des prévisions précises, il fallait d'énormes ordinateurs et des calculs de plusieurs jours. Désormais, le modèle Sonny fait la même chose sur une seule carte graphique.
Sonny fonctionne en deux étapes. D'abord, une couche étroite mais profonde du modèle suit les grands mouvements de l'air — comme un observateur qui voit toute la pente et comprend où la pierre va globalement rouler. Ensuite, une couche large ajoute les détails : chaleur, humidité, frottement. Cette approche permet de ne pas se noyer dans les détails tout en ne perdant pas la vue d'ensemble. Pour que la prévision ne s'effondre pas sur de longues périodes, on utilise une règle simple pendant l'entraînement : le modèle moyenne un peu ses paramètres en permanence, comme s'il regardait en arrière sur ses pas précédents.
Les tropiques sont l'endroit le plus capricieux pour un prévisionniste. L'air y est saturé d'humidité, et la moindre impulsion peut déclencher un typhon. Sonny a appris à voir ces tourbillons naissants plus tôt que les autres modèles légers. C'est important pour les pays où les typhons détruisent chaque année des maisons et coûtent des vies.
La pierre sur la pente, c'est la météo. Sonny ne se contente pas de la regarder, il comprend comment les irrégularités du terrain et les rafales de vent modifieront sa trajectoire. Et il le fait à si bas coût que même un petit groupe universitaire peut désormais s'offrir des prévisions précises.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.21284
Weather forecasting is a fundamental problem for protecting lives and infrastructure from high-impact atmospheric events. Recently, data-driven weather forecasting methods based on deep learning have demonstrated strong performance, often reaching accuracy levels competitive with operational numerical systems. However, many existing models rely on large-scale training regimes and compute-intensive architectures, which raises the practical barrier for academic groups with limited compute resources. Here we introduce Sonny, an efficient hierarchical transformer that achieves competitive medium-range forecasting performance while remaining feasible within reasonable compute budgets. At the core of Sonny is a two-stage StepsNet design: a narrow slow path first models large-scale atmospheric dynamics, and a subsequent full-width fast path integrates thermodynamic interactions. To stabilize medium-range rollout without an additional fine-tuning stage, we apply exponential moving average (EMA) during training. On WeatherBench2, Sonny yields robust medium-range forecast skill, remains competitive with operational baselines, and demonstrates clear advantages over FastNet, particularly at extended tropical lead times. In practice, Sonny can be trained to convergence on a single NVIDIA A40 GPU in approximately 5.5 days.
Une carte graphique NVIDIA A40 consomme environ 300 watts — comme trois ampoules à incandescence bien lumineuses. Pendant les cinq jours et demi d'entraînement, Sonny utilise moins d'électricité qu'un réfrigérateur domestique ordinaire sur la même période.
Dans la nouvelle de Ray Bradbury « Un bruit de tonnerre », le héros modifie le passé, et cela change la météo. Sonny est un pas vers la prédiction de tels changements, même s'ils proviennent du chaos de l'atmosphère.