Le traducteur qui a appris le dialecte du chaos ✛ ✎

Un interprète, lors d'une conférence, entend le bruit de la salle mais continue de traduire. Il ne répète pas chaque mot, il trouve un langage intermédiaire où les phrases complexes deviennent simples, sans perdre le sens. C'est ainsi que fonctionne le réseau de Koopman conditionnellement gaussien : il apprend au réseau de neurones à traduire un système chaotique dans une forme où la prédiction et l'assimilation de données deviennent rapides et précises.

Autrefois, les scientifiques savaient soit prédire le chaos avec des réseaux de neurones profonds, soit assimiler les observations de manière analytique, mais pas les deux à la fois. Les modèles profonds étaient des boîtes noires : pour y intégrer les observations, il fallait lancer des milliers de copies du modèle et moyenner les résultats, accumulant des erreurs d'échantillonnage. Les auteurs proposent une autre voie : ils construisent un réseau de neurones qui trouve lui-même un langage intermédiaire, où les variables latentes deviennent linéaires si les observables sont connues. Alors, pour la moyenne et la covariance de l'état latent, on écrit des équations fermées, et l'assimilation de données devient un simple calcul, et non un ensemble coûteux.

Le traducteur qui a appris le dialecte du chaos n'entend pas seulement le bruit de la salle, il l'intègre instantanément dans sa traduction. Il ne traduit pas tout mot à mot, il trouve un langage intermédiaire où les phrases complexes deviennent simples. Dans ce langage, les variables latentes obéissent à des équations linéaires si les observables sont connues, et l'assimilation de données devient alors analytique. Cette approche pourrait accélérer les modèles climatiques, les prévisions géophysiques et les tâches de contrôle, où l'on a besoin d'estimations rapides des états cachés à partir de données incomplètes.