La tache chaude au large du Pérou n'apparaît pas chaque année, mais quand elle apparaît, les pluies inondent les déserts et en Australie les feux crépitent. C'est El Niño, un phénomène que les modèles climatiques reproduisent difficilement. Les modèles simples calculent bien la fréquence de son apparition, mais perdent les détails dans l'espace. Les modèles complexes voient le tableau en trois dimensions, mais commettent des erreurs systématiques et exigent d'énormes ressources de calcul.
Les auteurs de la nouvelle étude ont agi comme un chef d'orchestre qui réunit un soliste et un orchestre. Le soliste ici est un modèle stochastique simple, il donne le rythme : il génère une séquence d'événements chauds et froids dans une bande étroite le long de l'équateur. L'orchestre est un modèle intermédiaire avec un réseau de neurones qui s'adapte au soliste et complète tout le reste du tableau océanique. Le réseau de neurones, avec 40 millions de paramètres, est pré-entraîné sur une simulation de 1200 ans de CESM2, puis affiné sur les données réelles GODAS.
Le modèle a tourné pendant 1000 ans, et les 960 dernières années ont été analysées. Résultat : des pics spectraux à des périodes de 3 à 4 ans pour la température de surface dans les régions Niño-3 et Niño-4, avec une variation saisonnière présentant un minimum en juin. La distribution des longitudes des maxima d'anomalies de température a montré deux pics, comme dans les observations, alors que CESM2 donne un seul pic dans le Pacifique central. Pour les El Niño du Pacifique Est, le modèle a correctement placé les anomalies de température, de tension du vent et de hauteur de la surface de la mer, corrigeant les décalages de CESM2.
L'analyse du bilan thermique a confirmé que les principaux mécanismes positifs sont le transport de chaleur le long de l'équateur par les courants et l'influence de la température sous la surface sur la surface. Le terme résiduel agit comme une rétroaction négative, empêchant le modèle de diverger.
Cette approche ouvre la voie à des modèles climatiques multimodulaires, où chaque bloc est responsable de sa partie de la tâche. Les longues séries issues du modèle à deux noyaux sont utiles pour le pré-entraînement de modèles de prévision à base de réseaux de neurones et pour l'analyse d'événements rares. Peut-être verrons-nous à l'avenir des versions avec un océan ou une atmosphère plus détaillés. En attendant, l'orchestre joue de manière plus cohérente qu'un grand ensemble symphonique, et pour un coût moindre.
Le modèle avec 40 millions de paramètres de réseau de neurones fonctionne en tandem avec un modèle stochastique simple qui nécessite presque aucune ressource de calcul ; ensemble, ils sont plus rapides que CESM2 et plus précis en termes de statistiques.