Un étudiant apprend la physique dans un manuel et passe un examen. Il résout brillamment les deux premiers problèmes, mais se trompe sur le troisième, qui ne figurait pas dans le manuel. C'est à peu près ce à quoi ressemble le test du modèle hybride d'atmosphère NeuralGCM, soumis à trois niveaux de vérification : les cyclones, El Niño et le réchauffement anormal.
Le modèle combine un noyau physique avec l'apprentissage automatique, qui remplace les calculs coûteux des processus à petite échelle. Au lieu de calculer chaque petit nuage, le réseau de neurones apprend à partir des données de réanalyse ERA5 et des précipitations satellitaires IMERG pour la période 2001-2018. Ensuite, on lui pose des questions sur des situations absentes de ces données, comme un réchauffement océanique uniforme de 4 degrés. On vérifie ainsi si le modèle a assimilé la physique ou s'il a simplement mémorisé des statistiques.
Le modèle reconnaît aussi El Niño : la téléconnexion PNA est reproduite avec une corrélation de 0,86 pour la hauteur du géopotentiel à 200 hPa, ce qui se situe dans la fourchette des modèles physiques. Mais il surestime l'amplitude de l'asymétrie non linéaire de la réponse. En revanche, lors d'un réchauffement uniforme, la température de surface globale augmente de 0,86 kelvin par kelvin de réchauffement océanique, et les précipitations de 4,14 % par kelvin, ce qui est proche des estimations CMIP6. On pourrait croire l'examen réussi.
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 ce fait, le courant-jet ne se déplace pas vers le pôle comme dans les modèles physiques. La raison est simple : 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.
L'étudiant qui a appris la physique dans un manuel a réussi l'examen, mais pas avec mention. NeuralGCM a montré que les modèles hybrides peuvent généraliser au-delà des données d'apprentissage, ce que les modèles purement neuronaux n'avaient pas réussi à faire. Mais les erreurs dans la stratosphère rappellent : avant de faire confiance à de tels modèles pour les projections climatiques, il faut comprendre quel minimum de physique leur est nécessaire. L'examen continue.
Le modèle NeuralGCM a été entraîné sur les données de 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 qui n'étaient pas dans le manuel.
L'idée d'une intelligence hybride, où l'apprentissage automatique complète les lois physiques, fait écho au roman de Stanislas Lem « Solaris », où l'océan-esprit génère des modèles de visiteurs issus des souvenirs. Ici, le modèle génère des réponses climatiques en s'appuyant sur des régularités apprises, mais crée parfois des fantômes dans la stratosphère.