L'Université de Manchester exploite NVIDIA Earth‑2 pour anticiper la pollution atmosphérique au Royaume‑Uni

L’équipe dirigée par le professeur David Topping et le chercheur Hao Zhang à l’Université de Manchester a adapté les modèles ouverts Earth‑2 CorrDiff et StormCast, initialement conçus pour la dynamique climatique, afin de prédire la concentration des polluants atmosphériques sur l’ensemble du Royaume‑Uni. Cette initiative repose sur un an de simulations chimie‑climat à l’échelle horaire, avec une résolution spatiale de deux à trois kilomètres, fournissant une base de données d’entraînement riche et réaliste.

Entraînement sur le supercalculateur Isambard‑AI

Le processus d’apprentissage du modèle CorrDiff a été réalisé en deux jours sur un nœud de huit GPU GH200 du supercalculateur Isambard‑AI, installé à Bristol. Isambard‑AI, qui regroupe 5 448 puces GH200, revendique une puissance de 21 exaflops dédiée à l’intelligence artificielle. Cette capacité a permis d’ajuster rapidement les paramètres du modèle tout en conservant la précision nécessaire pour capter les variations locales de la qualité de l’air.

Inference et extensions sur DGX Spark

Une fois entraîné, le modèle est déployé sur la plateforme DGX Spark équipée d’une carte Grace‑Blackwell GB10. Cette infrastructure assure un flux d’inférence en temps réel et supporte de petits ré‑entraînements lorsque de nouvelles observations sont disponibles. Il ne s’agit pas d’un ordinateur de bureau ordinaire ; le DGX Spark conserve des performances de calcul massives indispensables à la génération de prévisions horaires à l’échelle nationale.

StormCast : du climat à la qualité de l’air

Le module StormCast enrichit les prévisions en intégrant des observations météorologiques et des mesures de qualité de l’air provenant de capteurs urbains. Cette combinaison permet de produire des scénarios dépendants du temps, utiles pour anticiper les pics de polluants lors d’événements météorologiques spécifiques, comme les inversions de température ou les vagues de chaleur.

Usages envisagés

Les chercheurs identifient plusieurs applications potentielles :

1. Alertes personnalisées pour les patients asthmatiques ou les personnes sensibles aux particules fines.

2. Simulations d’impact de politiques publiques visant à réduire les émissions industrielles ou le trafic routier.

3. Intégration des données de capteurs périphériques pour affiner les cartes de pollution à l’échelle de la ville.

4. Soutien à la gestion des incendies en prédisant la dispersion des fumées et des particules toxiques.

Ces usages restent à l’étape de prototype ; aucune mise en production officielle n’est encore annoncée.

Ouverture des données et perspectives de résolution

L’équipe prévoit de rendre publiques les données d’entraînement ainsi que le workflow complet, afin de favoriser la reproductibilité et l’innovation collaborative. À plus long terme, le projet ambitionne d’atteindre une résolution de l’ordre de la rue, en combinant les simulations existantes avec des jeux de données ouverts supplémentaires, comme les relevés de capteurs citoyens.

Contexte sanitaire et économique

Le Royal College of Physicians (RCP) estime que la pollution atmosphérique a causé environ 30 000 décès au Royaume‑Uni en 2025, engendrant plus de 27 milliards de livres de coûts annuels pour le système de santé et l’économie. Aucun niveau de pollution n’est considéré comme sans risque, et les inégalités d’exposition restent marquées entre les zones urbaines densément peuplées et les régions rurales.

Analyse critique avant déploiement

Avant de transformer ces prototypes en services opérationnels, plusieurs critères doivent être évalués : validation indépendante des prévisions, adaptation aux données locales, suivi de la dérive du modèle, disponibilité continue des observations, coûts d’infrastructure et gouvernance des données. Une évaluation rigoureuse garantit que les alertes ne seront pas seulement précises, mais également fiables et équitables.

Perspectives pour les entreprises et institutions françaises

Les acteurs français du secteur de la santé, de la mobilité et de l’énergie peuvent s’inspirer de cette démarche. En collaborant avec des centres de calcul européens et en adaptant les modèles à leurs propres réseaux de capteurs, ils pourraient offrir des services d’alerte personnalisée, optimiser les plans de transport urbain et soutenir les politiques de transition énergétique. La transparence des données et la mise à disposition du workflow constituent des atouts majeurs pour accélérer l’innovation responsable en Europe.