Modéliser les événements météorologiques extrêmes, ceux qui causent le plus de dégâts, est d’une lourdeur de calcul redoutable. Une canicule centennale nécessite au moins 100 années simulées pour générer ne serait-ce qu’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 superordinateurs.
Des chercheurs de l’Université de Chicago, du CNRS Paris et de l’Université de New York ont développé une méthode qui réduit considérablement ce coût. Leur cadre d’échantillonnage d’événements rares assisté par IA (AI+RES), accepté pour publication dans Physical Review Letters, combine un émulateur météorologique par apprentissage profond avec un algorithme de division de trajectoires pour obtenir une réduction allant jusqu’à 1 000 fois des ressources de calcul nécessaires à la caractérisation des statistiques de canicules extrêmes.
Comment ça fonctionne
Le cadre comprend deux composantes. La première est un émulateur météorologique par IA, un réseau neuronal profond entraîné sur des sorties de modèles climatiques capable d’exécuter des prévisions d’ensemble à un coût de calcul quasi nul. L’émulateur sert de « fonction de score », prédisant quelles trajectoires de simulation sont les plus susceptibles de mener à un événement extrême.
La seconde composante est une méthode d’échantillonnage d’événements rares par division de trajectoires. À des moments de rééchantillonnage programmés, l’algorithme duplique les trajectoires prometteuses (celles que l’IA identifie comme susceptibles de produire un événement extrême) et interrompt les trajectoires non prometteuses. Seules les trajectoires les plus prometteuses sont ensuite transmises au modèle climatique physique complet, en l’occurrence PlaSim, pour une simulation haute-fidélité.
La composante IA résout un problème de longue date de 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 extrêmes à court terme comme les canicules. L’IA apprend la fonction de score automatiquement à partir des sorties du modèle climatique.
Performances démontrées
L’équipe a testé AI+RES sur les 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 un coût considérablement réduit.
La méthode RES standard sans le booster IA a échoué complètement pour les événements les plus rares, elle n’a pas pu produire un seul exemple des canicules les plus extrêmes. Les modèles d’IA purs sans la composante physique étaient imprécis et incapables d’extrapoler au-delà de leurs données d’entraînement, une limitation de la prévision météorologique purement basée sur les données.
L’article de Physics World rapportant les résultats indique que l’approche a réalisé des économies de calcul « jusqu’à 1 000 fois ». L’article scientifique lui-même rapporte un coût 30 à 300 fois inférieur pour la validation spécifique sur les canicules avec PlaSim, le chiffre le plus élevé reflétant la combinaison AI+RES. L’écart reflète la différence entre un chiffre arrondi accessible pour un public général et la fourchette 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 de plus en plus détaillés et de plus en plus coûteux à exécuter. Le coût de calcul des modèles à 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 qui peuvent être 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 fondamentalement changer la façon dont le risque climatique est évalué. Plutôt que de se fier à une extrapolation statistique à partir de données limitées, les modèles pourraient simuler directement des milliers d’années d’événements extrêmes à 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 puissent l’adapter 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 qui reflète davantage la couverture de Physics World que la fourchette mesurée dans l’article lui-même, qui rapporte des économies 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