Un météorologue émet en quelques secondes une prévision pour la semaine, mais ne peut expliquer aucune de ses décisions. C'est à peu près ainsi que fonctionnent les modèles météo basés sur l'IA : ils ne le cèdent plus rien aux méthodes numériques classiques, mais leur logique interne reste dissimulée derrière des millions de paramètres.

Une équipe de chercheurs a créé un outil qui plonge à l'intérieur d'une telle « boîte noire ». Ils ont pris le réseau de neurones à graphes GraphCast — l'un des systèmes les plus avancés — et ont appris à observer ses couches cachées. L'outil extrait les représentations internes des données (une sorte de « pensées » du modèle) et les décompose en composantes simples grâce à une analyse en composantes principales. Cette méthode met en évidence les structures les plus fortes — un peu comme trier des photos selon leur luminosité et leur contraste.

Lors des premiers tests, on a réussi à identifier des directions qui évoquent des phénomènes familiers aux météorologues : les ondes atmosphériques des latitudes moyennes et la répartition de la vapeur d'eau. Ce ne sont pas des motifs aléatoires. Le modèle capture bien des processus physiques, mais il les encode dans son langage interne. L'outil aide à traduire ce langage en langage humain.

Ce ne sont encore que des premiers pas, mais ils sont importants. Si nous apprenons à lire les « pensées » des réseaux de neurones météo, nous pourrons non seulement les vérifier pour détecter des erreurs, mais aussi mieux comprendre l'atmosphère elle-même. Car le modèle voit peut-être des relations qui échappent aux équations classiques.