Un étudiant a appris 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 à cela que ressemble le test du modèle atmosphérique NeuralGCM, soumis à trois niveaux de vérification : les cyclones, El Niño et un réchauffement anormal.

Le modèle combine un noyau physique avec un 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 météorologiques de 2001 à 2018. Ensuite, on lui pose des questions sur des situations absentes de ces données, par exemple un réchauffement uniforme de l'océan de 4 degrés. On vérifie ainsi si le modèle a assimilé la physique ou s'il s'est simplement contenté de mémoriser des statistiques.

Le modèle reconnaît aussi El Niño. En revanche, lors d'un réchauffement uniforme, la température globale augmente de 0,86 degré par degré de réchauffement de l'océan, ce qui est proche des modèles classiques. Mais 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, si bien que sa réponse stratosphérique n'est pas physique.

L'étudiant qui a appris la physique dans un manuel a réussi l'examen, mais sans mention. NeuralGCM a montré que les modèles hybrides peuvent généraliser au-delà des données d'entraînement, ce que les modèles purement neuronaux ne parvenaient pas à faire. Mais les erreurs dans la stratosphère rappellent qu'avant de se fier à de tels modèles pour les projections climatiques, il faut comprendre quel minimum de physique leur est nécessaire. L'examen continue.