Un gyroscope pour le climat : comment apprendre à un réseau de neurones à ne pas inventer d'énergie ✛
Tous les deux ou trois ans, le courant chaud au large du Pérou se déplace, et les pêcheurs se retrouvent sans prise. C'est El Niño, la respiration de l'océan Pacifique tropical, qui influence la météo de l'Indonésie à la Californie. Prédire son apparition est aussi difficile que de prédire où roulera une pierre jetée dans une rivière tumultueuse.
Les scientifiques construisent des modèles simplifiés de ces systèmes turbulents, car il est impossible de calculer chaque goutte de l'océan. Les réseaux de neurones apprennent bien à partir des données : ils voient des mois d'observations et apprennent les régularités. Mais il y a un piège. Un réseau de neurones ordinaire peut reproduire les caractéristiques moyennes, mais sous un choc externe, par exemple un changement d'activité solaire, il peut se mettre à osciller comme une balançoire poussée à contretemps. Il n'est pas obligé de conserver l'énergie, car il ignore la physique.
Mais comment vérifier que le modèle réagira correctement à une perturbation, s'il n'a été entraîné que sur des données calmes ? Les auteurs utilisent le théorème de fluctuation-dissipation, qui relie les fluctuations spontanées à la réponse à une force externe. C'est comme déterminer à quel point une cloche sonnera si on la frappe, en observant comment elle tremble sous les rafales de vent aléatoires.
La méthode a été testée sur des modèles idéalisés de turbulence, puis appliquée à des données réelles du système climatique tropical. Le modèle à 20 variables a reproduit la distribution non gaussienne d'El Niño et son spectre avec un pic dans la plage de 2 à 5 ans. De plus, il a pu générer un événement extrême comparable à l'El Niño record de 1997/1998, alors que dans les données d'entraînement, un tel événement n'apparaissait qu'une seule fois.
Le gyroscope intégré au réseau de neurones empêche le modèle de se balancer. Il le maintient dans le cadre de la physique, et on peut donc interroger le modèle sur ce qui ne figurait pas dans les données : comment le climat réagirait-il à un choc inattendu ? Auparavant, ces questions étaient posées avec prudence, car les modèles pouvaient donner des réponses absurdes. Désormais, nous avons un moyen de construire des versions simplifiées fiables de l'océan et de l'atmosphère, qui non seulement se souviennent du passé, mais répondent honnêtement à propos de l'avenir.
Le modèle a pu générer un événement extrême El Niño comparable à celui de 1997/1998, alors que dans les données d'entraînement, un tel événement n'apparaissait qu'une seule fois.
L'idée de prédire la réaction d'un système complexe à une intervention sans l'intervention elle-même rappelle la « psychohistoire » du cycle de « Fondation » d'Isaac Asimov, où l'avenir de grandes masses humaines était calculé selon des lois statistiques.