IA en modélisation climatique (type GraphCast)

Réseau de neurones sur graphes entraîné sur des décennies de données météorologiques historiques (réanalyses ERA5) pour prédire l'évolution de l'atmosphère

• Prévisions météorologiques mondiales à 10 jours produites en quelques minutes sur une seule machine, contre plusieurs heures de calcul intensif pour les modèles physiques traditionnels
• Précision annoncée supérieure aux modèles physiques de référence sur la majorité des variables météorologiques testées
• Coût de calcul et empreinte énergétique par prévision considérablement réduits par rapport aux modèles numériques classiques

Entraîné sur des données climatiques historiques, ce type de modèle peut être moins fiable face à des conditions climatiques extrêmes ou inédites qui s'écartent significativement de la distribution des données d'entraînement, notamment dans un contexte de changement climatique modifiant les régimes météorologiques de référence.

Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.

1. 1.Lam et al., « GraphCast: Learning skillful medium-range global weather forecasting » (arXiv:2212.12794 ; publié dans Science 382, 2023)primaire24/12/2022
2. 2.Weather forecasting — Wikipediasecondaire07/09/2026
3. 3.« Tropical cyclones could be predicted with an extra day's warning, thanks to an AI model » (Nature, actualité de la rédaction)secondaire04/09/2026

• Modèle climatique du réchauffement anthropique × IA en modélisation climatique (type GraphCast)Modélisation du climat et prévision apprise sur données

  Fiche humaine : Modèle climatique du réchauffement anthropique

• Économie du donut (Kate Raworth) × IA en modélisation climatique (type GraphCast)Cadrage macroéconomique par les limites planétaires et prévision environnementale apprise

  Fiche humaine : Économie du donut (Kate Raworth)

• Kate Raworth × IA en modélisation climatique (type GraphCast)Limites planétaires opérationnelles et prévision environnementale apprise

  Fiche humaine : Kate Raworth

• GIEC (IPCC) × IA en modélisation climatique (type GraphCast)Modélisation climatique apprise et évaluation intergouvernementale des connaissances

  Fiche humaine : GIEC (IPCC)

• Quentin Meillassoux × IA en modélisation climatique (type GraphCast)Induction statistique et non-stationnarité du monde modélisé

  Fiche humaine : Quentin Meillassoux

• Limites planétaires (Stockholm Resilience Centre) × IA en modélisation climatique (type GraphCast)Modélisation accélérée du système Terre et anticipation des basculements

  Fiche humaine : Limites planétaires (Stockholm Resilience Centre)

• AlphaFold (DeepMind)Google DeepMind
• AlphaGenome (Google DeepMind)Google DeepMind
• Conception expérimentale assistée et laboratoires autonomesLaboratoires de recherche publics et société commerciale : Lawrence Berkeley National Laboratory (A-Lab, équipe Gerbrand Ceder), Carnegie Mellon University (Coscientist, équipe Gabe Gomes), Emerald Cloud Lab Inc.
• GNoME (découverte de matériaux)Google DeepMind
• IA en génomique et drug discoveryMultiples acteurs : DeepMind (AlphaFold), Insilico Medicine, Isomorphic Labs, laboratoires pharmaceutiques et académiques
• IA pour le contrôle de plasma en fusion nucléaireGoogle DeepMind, en collaboration avec le Swiss Plasma Center (EPFL)
• Moteurs de simulation physiqueMultiples acteurs : NVIDIA, Google DeepMind et Disney Research pour le moteur Newton, contribué à la Linux Foundation le 29 septembre 2025 ; Google DeepMind pour MuJoCo, MJX et les simulateurs appris à base de réseaux de graphes (GNS, MeshGraphNets)
• Prévision climatique et météorologique opérationnelle par IACentre européen pour les prévisions météorologiques à moyen terme (AIFS) et NOAA avec Google DeepMind (GraphCast / WeatherNext).