Les chercheurs du MIT ont développé une technique de formation qui produit des modèles climatiques d’IA rapides et adaptables en utilisant une fraction des données normalement requises, une étape qui, selon eux, pourrait réduire le temps de production de ces outils de plusieurs mois ou années à quelque chose de bien plus utilisable pour les décisions politiques. La recherche apparaît cette semaine dans les Actes de la National Academy of Sciences.
Les modèles en question sont des émulateurs climatiques : des systèmes de substitution d’IA compacts qui imitent le comportement des modèles du système terrestre (ESM) à grande échelle. Les ESM sont les bêtes de somme de la science du climat – d’énormes simulations basées sur la physique qui projettent la manière dont les températures, les précipitations et le niveau de la mer réagissent aux émissions de gaz à effet de serre – mais un seul scénario futur peut prendre des mois pour s’exécuter sur un cluster de superordinateurs. Les émulateurs, en revanche, fonctionnent en quelques secondes, permettant aux scientifiques de tester des milliers de scénarios, de sonder les effets régionaux et des polluants spécifiques, et de signaler les résultats inattendus des interventions politiques. Pour une couverture continue du rôle croissant de l'IA dans la science, suivez nos Actualités sur la recherche en IA.
Le problème : des données d'entraînement réalistes rendent les modèles fragiles
Lorsque les chercheurs construisent un émulateur climatique, ils l’entraînent généralement sur six à huit scénarios d’émissions futures qui suivent des trajectoires réalistes. Chacun doit être exécuté via un ESM complet pour produire des données de formation, ce qui rend la génération d'ensembles de données coûteuse et lente. L’équipe du MIT avait précédemment identifié un mode d’échec subtil : les émulateurs formés sur des scénarios réalistes peuvent sous-performer lorsqu’on leur demande de prédire des situations inconnues ou nouvelles – exactement les situations que les décideurs politiques doivent de plus en plus explorer.
"Notre algorithme peut générer des scénarios étranges qui ne ressemblent en rien à un avenir réaliste, mais nous ne nous soucions pas vraiment de savoir si les scénarios de formation sont réalistes", a déclaré Christopher Womack PhD '26, aujourd'hui postdoctorant à l'ETH Zurich et auteur principal de l'article, dans MIT News. "Nous essayons simplement de créer le meilleur ensemble de données possible pour former un émulateur."
Une exécution ESM au lieu de huit
La nouvelle technique inverse le pipeline habituel. Au lieu d'assembler des scénarios réalistes, un algorithme génère des scénarios synthétiques optimisés, adaptés pour maximiser les compétences prédictives d'un émulateur spécifique. Le processus commence par un scénario arbitraire exécuté à travers un modèle climatique simple et rapide, mesure dans quelle mesure l'émulateur reproduit les résultats complets de l'ESM, puis perturbe de manière itérative les données d'entraînement - augmentant fortement les émissions de CO2 en 2050, par exemple, ou réduisant rapidement le méthane en 2037 - jusqu'à ce que l'erreur de l'émulateur tombe en dessous d'un seuil.
Les scénarios synthétiques qui en résultent ne ressemblent en rien à des trajectoires fluides du monde réel. "En introduisant ces mouvements et oscillations à haute fréquence, nos données permettent à l'émulateur d'extraire beaucoup plus d'informations sur l'ensemble du système", a déclaré Womack. Le gain pratique est substantiel : alors que la création d'un ensemble de formation nécessitait autrefois d'exécuter un ESM complet six à huit fois, un utilisateur n'a désormais besoin que d'une seule exécution.
La réussite du test des modèles traditionnels a échoué
Les chercheurs rapportent qu’un émulateur formé avec leur méthode a prédit avec précision les résultats de scénarios qu’il n’avait jamais vus au cours de la formation, alors que les émulateurs traditionnels n’ont pas réussi à s’adapter. Dans un test mis en avant par MIT News, l’émulateur formé par synthèse a correctement capturé les effets d’une politique locale de contrôle des polluants qui réduit un polluant tandis que d’autres émissions continuent d’augmenter – un cas où les émulateurs formés de manière conventionnelle qu’ils ont évalués ont échoué.
"Les émulateurs climatiques sont particulièrement bien adaptés à la modélisation de scénarios pertinents pour les politiques", a déclaré Womack. "En utilisant notre méthode pour générer des données de formation optimisées pour un émulateur, nous pouvons accélérer la production d'émulateurs beaucoup plus fiables, afin que nous puissions mieux faire confiance à leurs résultats pour prendre des décisions politiques."
L'adaptabilité est importante car l'avenir ne ressemblera pas à l'ensemble de la formation. "Dans le futur, nous allons certainement voir des climats et des scénarios que nous n'avons jamais vus auparavant", a déclaré Selin. "Si nous parvenons à simuler ces différents scénarios de manière plus robuste, nous pourrons fournir des informations plus fiables aux parties prenantes qui en ont besoin."
Pourquoi le timing est important
L'auteur principal Noelle Selin, professeur à l'Institut des données, des systèmes et de la société du MIT et au Département des sciences de la Terre, de l'atmosphère et des planètes, et directrice du Center for Sustainability Science and Strategy, a présenté le travail comme une solution à la chaîne d'approvisionnement pour l'information climatique elle-même. La formation sur les émulateurs pouvant prendre des mois, voire des années, les outils dont disposent les planificateurs sont souvent obsolètes. "En réduisant ce temps de production, je pense que cette technique changera la donne en termes de mise à jour des outils entre les mains des chercheurs et des praticiens", a-t-elle déclaré.
Les applications s'étendent bien au-delà du monde universitaire : des projections climatiques à jour éclairent les décisions sur la résilience du réseau électrique, la protection de la santé publique et la planification agricole. L'équipe comprenait également Shahine Bouabid, Andrei Sokolov, Popat Salunke et Glenn Flierl du MIT, ainsi que Sebastian D. Eastham de l'Imperial College de Londres. Le prochain objectif des chercheurs est d'étendre la technique afin que les émulateurs restent robustes alors que la planète entre dans des conditions climatiques sans précédent historique.
---
Gardez une longueur d'avance sur l'IARecevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.
Lire plus d'actualités sur l'IA →
