Vers un modèle climatique apprenable

L’intelligence artificielle (IA) apporte des changements notables à la science atmosphérique, notamment avec l’introduction de grands modèles météorologiques d’IA comme Pangu-Weather et GraphCast. Cependant, parallèlement à ces avancées, des questions se sont posées quant à l’alignement de ces modèles sur les principes fondamentaux de la physique.

Des études antérieures ont démontré que Pangu-Weather peut reproduire avec précision certains modèles climatiques tels que les réponses tropicales des branchies et les téléconnexions extratropicales grâce à une analyse qualitative. Cependant, des études quantitatives ont révélé des différences significatives dans les composantes du vent, telles que les vents divergents et les vents agéostrophiques, au sein des modèles météorologiques actuels d’IA. Malgré ces découvertes, certains craignent toujours que l’importance de la physique dans la science du climat soit parfois négligée.

« L’évaluation qualitative révèle que les modèles d’IA pourraient comprendre et apprendre les modèles spatiaux des données météorologiques et climatiques. D’un autre côté, l’approche quantitative met en évidence une limite : les modèles d’IA actuels ont du mal à apprendre certains modèles de vent et s’appuient uniquement sur la vitesse totale du vent. » explique le professeur Gang Huang de l’Institut de physique atmosphérique (IAP) de l’Académie chinoise des sciences.

« Cela souligne la nécessité d’un diagnostic dynamique complet des modèles d’IA. Ce n’est que grâce à une analyse holistique que nous pourrons améliorer notre compréhension et imposer les contraintes physiques nécessaires. »

Des chercheurs, dont des collaborateurs de l’IAP, de l’Université nationale de Séoul et de l’Université Tongji, plaident en faveur d’une approche collaborative entre l’IA et la physique dans la modélisation climatique, allant au-delà de la notion de scénario « soit l’un soit l’autre ».

Le professeur Huang déclare : « Bien que l’IA excelle dans la capture des relations spatiales dans les données météorologiques et climatiques, elle se débat avec des composants physiques nuancés tels que les vents divergents et les vents agéostrophiques. Cela souligne la nécessité de diagnostics dynamiques rigoureux pour faire respecter les contraintes physiques. »

Publié dans Progrès des sciences atmosphériquesleur article de perspectives illustre des méthodes permettant d’imposer des contraintes physiques à la fois douces et dures aux modèles d’IA, garantissant ainsi la cohérence avec la dynamique atmosphérique connue.

De plus, l’équipe préconise une transition des schémas de paramétrage hors ligne vers des schémas de paramétrage en ligne pour atteindre une optimalité globale dans les poids des modèles, favorisant ainsi des modèles climatiques équilibrés entièrement couplés physique-IA. Le Dr Ya Wang déclare : « Cette intégration permet une optimisation itérative, transformant nos modèles en systèmes véritablement apprenables. »

Reconnaissant l’importance de la collaboration communautaire, les chercheurs favorisent une culture d’ouverture, de comparabilité et de reproductibilité (OCR). En adoptant des principes similaires à ceux des communautés de l’IA et de l’informatique, ils croient en la nécessité de cultiver une culture propice au développement d’un modèle climatique véritablement apprenable.

En résumé, en synthétisant les prouesses spatiales de l’IA avec les principes fondamentaux de la physique et en favorisant une communauté collaborative, les chercheurs visent à réaliser un modèle climatique qui mélange harmonieusement l’IA et la physique, ce qui représente un pas en avant significatif dans la science du climat.