Les modèles modernes du système Terre sont précis, mais coûteux en calcul. L'apprentissage automatique promet d'accélérer la modélisation, mais la confiance en ces modèles exige de prouver qu'ils ont assimilé les lois physiques, et non simplement mémorisé des statistiques. Des travaux antérieurs ont évalué des modèles neuronaux à des échelles synoptiques ou pour des prévisions à court terme, mais leur comportement sous des forçages anormaux à long terme restait inconnu. À côté de ce travail, des études dans la même archive utilisent des réseaux de neurones pour les cartes gravitationnelles des galaxies, l'amélioration des modèles climatiques et la reconnaissance de la toile cosmique, ce qui souligne la tendance générale à l'hybridation de la physique et de l'apprentissage automatique.
Les auteurs ont conçu trois séries d'expériences idéalisées avec le modèle NeuralGCM, version avec bruit stochastique, résolution de 2,8 degrés et 37 niveaux verticaux. Pour les cyclones, ils ont pris 526 cas hivernaux de cyclones extratropicaux au-dessus du Pacifique Nord entre 1979 et 2020, et ont lancé le modèle sur quatre jours à partir du moment de la genèse, en comparant avec la réanalyse ERA5 et les modèles climatiques CMIP6. Pour El Niño, ils ont utilisé des composites d'anomalies pour les événements forts, définis par l'indice Niño3.4. Pour le réchauffement, ils ont effectué des calculs longs sur 36 ans avec un chauffage uniforme de la surface océanique de 2 et 4 kelvins, ainsi que des ensembles courts de 20 membres avec un chauffage de 1 à 4 kelvins. La qualité a été évaluée par des coefficients de corrélation spatiale et des erreurs quadratiques moyennes normalisées.
À l'échelle synoptique, NeuralGCM reproduit l'évolution des cyclones extratropicaux avec un coefficient de corrélation supérieur à 0,8 pour la hauteur du géopotentiel à 500 hPa dans les premiers jours, ce qui est comparable aux modèles CMIP6. Au troisième jour, le modèle surestime la taille spatiale des cyclones de 50 à 63 %, ce qui est lié à un gradient de vorticité potentielle trop fort. Pour El Niño, le modèle reproduit la téléconnexion PNA avec une corrélation de 0,86 pour la hauteur du géopotentiel à 200 hPa, se situant dans la dispersion des modèles CMIP6, mais surestime l'amplitude de l'asymétrie non linéaire de la réponse. Sous réchauffement uniforme, la température de surface globale augmente de 0,86 kelvin par kelvin de chauffage océanique, et les précipitations de 4,14 % par kelvin, ce qui est proche des estimations CMIP6. Cependant, dans la haute troposphère et la basse stratosphère, le modèle produit un refroidissement excessif sous les tropiques et un réchauffement excessif dans les régions polaires, de sorte que le courant-jet ne se déplace pas vers le pôle comme dans les modèles physiques.
Ce travail montre qu'un modèle hybride avec un noyau dynamique peut généraliser au-delà des données d'apprentissage, ce que les modèles purement neuronaux n'avaient pas réussi à faire. Contrairement aux travaux voisins, où les réseaux de neurones ne font qu'émuler des modèles physiques ou résoudre des tâches étroites, ici la dynamique climatique complète est testée sur trois échelles de temps. Les erreurs dans la stratosphère indiquent une limitation fondamentale : le modèle n'a pas reçu en entrée les concentrations de dioxyde de carbone et d'ozone, donc sa réponse stratosphérique n'est pas physique. Cela soulève la question du minimum de physique nécessaire dans les modèles hybrides pour faire confiance aux projections climatiques.
Le sujet évoluera vers l'inclusion de composants supplémentaires du système Terre, tels que l'océan, la glace et la biogéochimie, dans les modèles hybrides. L'augmentation de la résolution et l'élargissement des données d'apprentissage, y compris les observations satellitaires de la stratosphère, pourraient corriger les erreurs dans les couches supérieures de l'atmosphère. Il est probable que des ensembles de tests standardisés pour les modèles climatiques à apprentissage automatique apparaissent, semblables aux protocoles CMIP.
Les résultats influenceront le développement de la prochaine génération de modèles du système Terre, où l'apprentissage automatique remplacera des paramétrisations coûteuses. Ils sont également importants pour la prévision météorologique opérationnelle et pour les évaluations des risques climatiques, où des calculs d'ensemble rapides sont nécessaires.
La prochaine étape consistera à quantifier la contribution de la composante machine et du noyau dynamique aux erreurs du modèle, par exemple en désactivant le bloc machine. Il faudra également étendre les tests à d'autres types de forçages, comme les changements de concentration des gaz à effet de serre.
Ce travail est directement lié au problème non résolu de la modélisation climatique : comment combiner cohérence physique et efficacité de calcul. Les erreurs dans la stratosphère reflètent une difficulté ancienne des modèles à reproduire la structure verticale de l'atmosphère, tandis que la surestimation des cyclones pointe vers le problème de la paramétrisation des tourbillons dépendant de l'échelle. Pour la climatologie, la question clé est de savoir si l'on peut faire confiance aux modèles à apprentissage automatique en dehors de l'échantillon d'apprentissage, et ce travail apporte une réponse partiellement positive.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Les auteurs ont testé le modèle hybride NeuralGCM à trois niveaux : les cyclones synoptiques, la réponse à El Niño et le réchauffement uniforme de l'océan. Le modèle a été comparé à la réanalyse ERA5 et aux modèles CMIP6, en évaluant les corrélations et les erreurs. Des erreurs systématiques ont été identifiées : une surestimation de la taille des cyclones et une réponse stratosphérique incorrecte.
Où est sa force
Ce travail montre qu'un modèle hybride avec un noyau dynamique peut généraliser au-delà des données d'apprentissage, en reproduisant des réponses climatiques clés. C'est un argument fort en faveur de la confiance accordée à ces modèles pour les prévisions à long terme.
Vers où avancer
À essayer
Pourquoi cela peut compter
Si l'on parvient à corriger les erreurs systématiques identifiées, les modèles hybrides deviendront un outil fiable pour étudier les changements climatiques, alliant la rapidité de l'apprentissage automatique à la crédibilité physique.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.54, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Le modèle NeuralGCM a été entraîné sur les données de la réanalyse ERA5 et les précipitations satellitaires IMERG uniquement pour 2001-2018, mais il a pu reproduire la réponse à un réchauffement qui n'apparaissait pas dans ces données. C'est comme si un étudiant, ayant appris la physique dans un manuel, réussissait un examen sur des problèmes absents du manuel.
L'idée d'une intelligence hybride, où l'apprentissage automatique complète les lois physiques, fait écho au roman de Stanislas Lem « Solaris », où un océan-esprit génère des modèles d'invités issus de souvenirs. Ici, le modèle génère des réponses climatiques en s'appuyant sur des régularités apprises, mais crée parfois des fantômes dans la stratosphère.