Un modèle hybride IA-physique améliore les prévisions des événements météorologiques extrêmes rares

Prévoir l'imprévisible

Les prévisions météorologiques quotidiennes sont devenues remarquablement précises, mais prédire les événements extrêmes rares, tels que les vagues de chaleur les plus meurtrières, reste un défi redoutable. Ces événements, parfois appelés « cygnes gris », se produisent si rarement qu'ils sortent de la plage des conditions météorologiques typiques. Les modèles traditionnels basés sur des superordinateurs peuvent les simuler, mais ils exigent d'énormes ressources informatiques et du temps. D'un autre côté, les modèles de prévision basés sur l'IA excellent dans les prévisions de routine mais échouent souvent à capturer les valeurs aberrantes sous-représentées dans leurs données d'entraînement.

Cette lacune a motivé les chercheurs à chercher un terrain d'entente. Une équipe dirigée par des scientifiques de l'Université de Chicago et des collaborateurs en France a développé une méthode hybride qui combine les forces des deux approches. Publiée dans la revue Physical Review Letters, la nouvelle technique promet d'améliorer la prévision des événements météorologiques rares et à fort impact tout en utilisant beaucoup moins de ressources que les modèles traditionnels.

Le défi des cygnes gris

Les vagues de chaleur sont parmi les formes les plus meurtrières de conditions météorologiques extrêmes. En 2003, une vague de chaleur en Europe a causé environ 70 000 décès, et en 2010, la Russie a connu une vague de chaleur qui a entraîné 56 000 décès. Plus récemment, en juin 2026, près de la moitié des États-Unis, soit environ 180 millions de personnes, ont connu des températures dangereuses. Ces événements deviennent plus fréquents et plus graves en raison du changement climatique, rendant des prévisions précises d'autant plus cruciales.

Cependant, la nature même de ces valeurs aberrantes les rend difficiles à étudier. Elles sont rares, il y a donc peu de données historiques pour entraîner les modèles d'apprentissage automatique. Les modèles traditionnels basés sur la physique, qui simulent le comportement de l'atmosphère à partir d'équations fondamentales, peuvent générer des scénarios extrêmes, mais ils nécessitent une puissance de calcul massive et peuvent prendre des jours pour s'exécuter. Cela les rend impraticables pour les prévisions en temps réel ou pour explorer de nombreux scénarios possibles.

Comme l'explique Pedram Hassanzadeh, professeur associé de sciences géophysiques à l'Université de Chicago et co-responsable de la recherche, « Les modèles météorologiques et climatiques basés sur l'IA sont l'une des grandes réalisations de l'IA dans la science, mais ils ne sont pas magiques - ils échouent sur les cygnes gris, les événements les plus rares et les plus extrêmes. Les modèles détaillés basés sur la physique peuvent capturer les extrêmes, mais ils nécessitent des quantités prohibitivement importantes de temps et d'énergie. »

Une solution hybride

La nouvelle méthode, développée par le groupe Climate Extremes Theory and Data de Hassanzadeh et des collaborateurs internationaux, intègre l'IA avec la modélisation traditionnelle basée sur la physique. L'approche exploite la vitesse de l'IA pour explorer une large gamme de conditions possibles, tout en utilisant des modèles basés sur la physique pour garantir que les événements rares sont physiquement réalistes. Cette combinaison permet à l'équipe d'estimer la probabilité d'événements extrêmes plus précisément et plus efficacement.

L'innovation clé réside dans la façon dont les deux composants interagissent. Le modèle d'IA, entraîné sur un ensemble limité de simulations d'événements extrêmes, propose des scénarios candidats. Ceux-ci sont ensuite validés et affinés à l'aide du modèle basé sur la physique, qui corrige tout résultat irréaliste. Ce processus itératif converge vers une distribution de probabilité fiable pour les événements rares, même lorsque l'IA seule les manquerait.

« La puissance de cette méthode est qu'elle combine les forces de l'IA et de la physique traditionnelle et est particulièrement efficace pour les événements extrêmes, qui sont les plus difficiles à simuler et ont le plus grand impact sociétal », a déclaré Hassanzadeh.

Implications pour les prévisions et la recherche climatique

L'approche hybride pourrait améliorer considérablement notre capacité à anticiper des événements météorologiques rares mais dévastateurs. Par exemple, elle pourrait aider les planificateurs d'urgence à se préparer aux vagues de chaleur, aux inondations ou aux sécheresses qui pourraient survenir une fois par siècle ou même par millénaire. En fournissant des probabilités plus précises, la méthode pourrait éclairer la conception des infrastructures, les stratégies de santé publique et les plans de réponse aux catastrophes.

De plus, le coût de calcul réduit signifie que de telles prévisions pourraient être exécutées plus fréquemment et sur des horizons temporels plus longs. Cela pourrait conduire à de meilleures prévisions saisonnières et décennales, aidant les sociétés à s'adapter à un climat changeant.

La recherche souligne également l'importance de combiner l'IA avec la compréhension physique. Alors que l'IA a révolutionné de nombreux domaines, elle a des limites en ce qui concerne les événements rares. En mélangeant les deux, les scientifiques peuvent exploiter le meilleur des deux mondes.

Perspectives d'avenir

L'équipe prévoit d'affiner davantage la méthode et de la tester sur d'autres types d'événements extrêmes, tels que les ouragans et les tornades. Ils visent également à rendre l'outil accessible aux services météorologiques et aux chercheurs en climatologie du monde entier.

À mesure que les conditions météorologiques extrêmes deviennent plus courantes, le besoin de prévisions précises augmente. Cette approche hybride offre une voie prometteuse, qui pourrait sauver des vies et réduire les pertes économiques. En améliorant notre capacité à prédire l'imprévisible, nous pouvons mieux nous préparer aux défis à venir.

Pour l'instant, la méthode représente un pas en avant significatif dans la science de la prédiction des événements extrêmes. C'est un témoignage de la puissance de la collaboration interdisciplinaire et du potentiel de combiner une IA de pointe avec des principes physiques éprouvés.

Cet article est basé sur un reportage de Phys.org. Lire l'article original.