Quand on parle d’IA appliquée à la météo, on pense à Google. DeepMind a sorti GraphCast en 2023, GenCast en 2025. Le Centre européen de prévisions météo fait tourner IFS ENS depuis des décennies. Pour se mesurer à ces mastodontes, il faut normalement des grappes de GPU et un budget recherche qui donne le vertige. Une équipe parisienne a trouvé un raccourci.

Voici l’idée qui fait la différence

ArchesWeatherGen ne tente pas de tout modéliser d’un coup. Un premier module anticipe l’état moyen de l’atmosphère à 24 heures. Il pose le décor, ensuite un second module prend le relais. Ce dernier utilise le flow matching, une technique issue de la même famille que les modèles qui génèrent des images. Son boulot consiste à capturer tout ce que le premier a manqué (les trajectoires alternatives, les scénarios probables).

Cette méthode en deux temps évite de brûler des fortunes en calcul sur les données brutes.

Les données d'ArchesWeatherGen

Les chiffres face à la concurrence

Sur le benchmark WeatherBench, testé sur les données de 2020, ArchesWeatherGen dépasse IFS ENS de 5,3 % sur le score CRPS. Il s’agit de la donnée standard des prévisions. Il bat aussi NeuralGCM sur quasiment toutes les variables.

Face à GenCast de Google, le modèle français fait jeu égal à court terme. Il prend l’avantage à partir du quatrième jour. Le plus frappant reste la comparaison avec GenCast haute définition. À neuf et dix jours, ArchesWeatherGen rejoint ses performances. Par contre, GenCast HD a coûté vingt fois plus cher à entraîner.

23 jours de calcul contre plus de mille

L’entraînement a mobilisé 45 jours sur GPU V100, environ 23 sur des cartes A100.

  • Le jeu de données tient dans un téraoctet.
  • Le calcul a tourné sur les machines de GENCI et de l’IDRIS au CNRS.

L’équipe dirigée par Guillaume Couairon et Claire Monteleoni a publié le code, les modèles pré-entraînés et le pipeline de données sur GitHub.

ArchesWeatherGen ne remplacera pas après-demain les modèles de Météo-France. Sa grille de 167 km reste trop grossière pour les prévisions locales. Toutefois, il démontre qu’un labo universitaire est susceptible de produire des prévisions mondiales de qualité. Tout cela avec un budget que Google dépense en une semaine de tests.

Guillaume Couairon a depuis rejoint Google DeepMind Paris. On forme les chercheurs, on finance leurs travaux, on publie les résultats. Et ensuite, ceux qu’ils viennent de battre les embauchent. La recherche reste en libre accès.