La modélisation des phénomènes météorologiques extrêmes, ceux qui causent le plus de dégâts, est coûteuse en calcul. Une canicule centennale nécessite au moins 100 années simulées pour générer un seul exemple par force brute. Avec des modèles climatiques à haute résolution, le temps de calcul et le coût énergétique d’une telle simulation se mesureraient en mois ou en années, même sur des supercalculateurs.
Des chercheurs de l’Université de Chicago, du CNRS Paris et de l’Université de New York ont développé une méthode qui réduit ce coût. Leur cadre d’échantillonnage d’événements rares boosté par l’IA (AI+RES), accepté pour publication dans Physical Review Letters, combine un émulateur météorologique par apprentissage profond avec un algorithme de fractionnement de trajectoires pour obtenir une réduction allant jusqu’à 1 000 fois des ressources de calcul nécessaires à la caractérisation des statistiques des canicules extrêmes.
Comment ça fonctionne
Le cadre comporte deux composants. Le premier est un émulateur météorologique par IA, un réseau neuronal profond entraîné sur les résultats d’un modèle climatique, capable de réaliser des prévisions d’ensemble à un coût de calcul quasi nul. L’émulateur fonctionne comme une « fonction de score », prédisant quelles trajectoires de simulation sont les plus susceptibles de mener à un événement extrême.
Le second composant est une méthode d’échantillonnage d’événements rares par fractionnement de trajectoires. À des instants de rééchantillonnage programmés, l’algorithme duplique les trajectoires prometteuses (celles que l’IA identifie comme susceptibles de produire un événement extrême) et interrompt les moins prometteuses. Seules les trajectoires les plus prometteuses sont ensuite transmises au modèle climatique physique complet, en l’occurrence PlaSim, pour une simulation haute fidélité.
Le composant IA résout un problème de longue date lié à l’échantillonnage d’événements rares : la conception d’une bonne fonction de score nécessite traditionnellement une expertise approfondie du domaine et de nombreux essais et erreurs, et elle est particulièrement difficile pour les phénomènes extrêmes à court terme comme les canicules. L’IA apprend la fonction de score automatiquement à partir des résultats du modèle climatique.
Performances démontrées
L’équipe a testé AI+RES sur des canicules de latitudes moyennes dans deux régions : centrées sur la France et le Midwest américain. Le cadre a reproduit les statistiques de référence des longues simulations PlaSim à moindre coût.
L’échantillonnage standard sans l’IA a échoué pour les événements les plus rares, n’ayant pas pu produire un seul exemple des canicules les plus extrêmes. Les modèles d’IA purs sans composante physique étaient inexacts et ne pouvaient pas extrapoler au-delà de leurs données d’entraînement, une limite de la prévision météorologique purement guidée par les données.
L’article de Physics World rapportant les résultats indique que l’approche a permis une économie de calcul « allant jusqu’à 1 000 fois ». L’article scientifique lui-même rapporte un coût 30 à 300 fois inférieur pour la validation spécifique des canicules avec PlaSim, le chiffre le plus élevé reflétant la combinaison AI+RES. L’écart reflète la différence entre un chiffre accessible et arrondi pour un public général et la plage mesurée spécifique.
La méthode produit à la fois des statistiques précises et des informations physiques sur les mécanismes à l’origine des événements extrêmes, ce qui signifie qu’elle peut être utilisée non seulement pour prédire la fréquence des canicules mais aussi pour comprendre pourquoi elles se produisent.
Pourquoi c’est important
Les modèles climatiques deviennent plus détaillés et plus coûteux à exécuter. Le coût de calcul des modèles haute résolution limite le nombre de simulations que les chercheurs peuvent effectuer, ce qui limite à son tour leur capacité à estimer la probabilité d’événements extrêmes rares mais dévastateurs.
Si l’approche AI+RES peut être généralisée à d’autres types d’événements extrêmes, cyclones tropicaux, rivières atmosphériques, inondations, violents orages, elle pourrait changer la façon dont le risque climatique est évalué. Plutôt que de recourir à l’extrapolation statistique à partir de données limitées, les modèles pourraient simuler directement des milliers d’années d’événements extrêmes pour une fraction du coût actuel.
Les auteurs, co-premiers auteurs Amaury Lancelin (CNRS/ENS Paris) et Alexander Wikner (Université de Chicago), avec les auteurs correspondants Dorian Abbot (Chicago), Freddy Bouchet (ENS Paris), Pedram Hassanzadeh (Chicago) et Jonathan Weare (NYU), ont rendu le code AI+RES disponible pour que d’autres chercheurs l’adaptent à leurs propres modèles climatiques.
Limites
La méthode n’a été validée que sur un seul modèle climatique (PlaSim) et une seule classe d’événements (canicules estivales de latitudes moyennes). Le chiffre de 1 000 fois est une limite supérieure ambitieuse, plus représentative de la couverture de Physics World que de la plage mesurée dans l’article lui-même, qui rapporte une économie de 30 à 300 fois pour le cas des canicules. La généralisation à d’autres types d’événements et à des modèles à plus haute résolution est la prochaine étape.
Divulgation : Basé sur un article accepté dans Physical Review Letters. arXiv : 2510.27066. DOI : 10.1103/b1gc-9c2q. Rapporté via Physics World, 6 juillet 2026.
Traduit par Lydie