À une époque où l'intelligence artificielle s'impose comme une solution aux défis mondiaux les plus complexes, de la médecine à la finance, son application dans la science du climat est devenue l'un des domaines de recherche les plus dynamiques. Cependant, une étude récente menée par des chercheurs du Massachusetts Institute of Technology (MIT) apporte une tournure surprenante et quelque peu dégrisante, suggérant que dans la course à des prévisions climatiques plus précises, des modèles d'apprentissage profond plus grands et plus complexes ne sont pas toujours synonymes de meilleurs résultats. Leurs travaux révèlent que dans certains scénarios, des modèles beaucoup plus simples, basés sur des lois physiques fondamentales, могут fournir des prévisions plus précises que les systèmes d'IA les plus avancés.

Les scientifiques de l'environnement s'appuient de plus en plus sur de vastes modèles d'intelligence artificielle pour prédire les changements dans les régimes météorologiques et le climat à long terme. Pourtant, une nouvelle analyse de l'équipe du MIT montre comment la variabilité naturelle inhérente aux données climatiques peut constituer un obstacle sérieux pour les modèles d'IA, entraînant des difficultés à prédire les températures locales et les quantités de précipitations. Leur recherche n'est pas seulement une comparaison de deux méthodologies, mais aussi une critique profonde des méthodes d'évaluation (benchmarking) existantes utilisées pour évaluer la performance des modèles d'apprentissage automatique en climatologie.

Des critères de performance problématiques et le piège caché des oscillations naturelles

Le principal problème rencontré par les chercheurs réside dans les techniques de test standard. Il s'est avéré que ces techniques peuvent être considérablement faussées par les variations naturelles au sein même des données climatiques, telles que les fluctuations pluriannuelles des régimes météorologiques comme les phénomènes El Niño et La Niña. Un tel "bruit" inhérent aux données peut créer la fausse impression qu'un modèle d'apprentissage profond est extrêmement précis, alors qu'en réalité, son succès repose sur des hypothèses erronées ou une adaptation à des cycles à court terme et imprévisibles. Cela conduit à une situation où un modèle peut sembler supérieur, alors que ce n'est en fait pas le cas lorsque l'on observe les tendances stables à long terme.

Face à ce défi, les scientifiques ont développé un moyen plus robuste et plus fiable d'évaluer ces techniques. En appliquant cette nouvelle approche, ils ont pu distinguer plus clairement les forces et les faiblesses des différents modèles. Les résultats ont été sans équivoque : alors que les modèles plus simples ont montré une précision supérieure dans l'estimation des températures de surface régionales, les approches plus complexes basées sur l'apprentissage profond se sont avérées être un meilleur choix pour l'estimation des précipitations locales, qui sont par nature beaucoup plus chaotiques et difficiles à modéliser.

Ces découvertes ont été utilisées pour améliorer un outil de simulation connu sous le nom d'émulateur climatique. Les émulateurs sont des approximations simplifiées de modèles climatiques complexes qui s'exécutent sur des superordinateurs pendant des semaines ou des mois. Leur principal avantage est la vitesse ; ils permettent aux scientifiques et aux décideurs politiques de simuler en très peu de temps les effets de différents scénarios d'activités humaines, comme la réduction ou l'augmentation des émissions de gaz à effet de serre, sur le climat futur.

Une mise en garde sur l'application de l'intelligence artificielle

L'équipe de recherche considère son travail comme une sorte de "mise en garde" qui alerte sur les risques d'une mise en œuvre non critique de grands modèles d'IA dans le domaine de la science du climat. Alors que les modèles d'apprentissage profond ont connu un succès incroyable dans des domaines comme le traitement du langage naturel ou la reconnaissance d'images, la science du climat est fondamentalement différente. Elle est basée sur des lois physiques et des approximations éprouvées, et le véritable défi consiste à intégrer efficacement ces principes fondamentaux dans la structure d'un modèle d'IA, plutôt que de se fier uniquement à la capacité du modèle à apprendre de manière autonome à partir des données.

Noelle Selin, auteure principale de l'étude et professeure à l'Institut des données, des systèmes et de la société (IDSS) du MIT, souligne l'importance de cette approche : "Notre objectif est de développer des modèles qui seront utiles et pertinents pour les décisions que les décideurs politiques devront prendre à l'avenir. Bien qu'il puisse être tentant d'appliquer le modèle d'apprentissage automatique le plus récent et le plus complexe à un problème climatique, cette étude montre qu'il est crucial de faire une pause et de réfléchir en profondeur aux fondements du problème. Ce n'est pas seulement important, c'est aussi extrêmement bénéfique."

Comparaison de deux mondes : La mise à l'échelle linéaire contre l'apprentissage profond

Le climat de la Terre étant un système incroyablement complexe, l'exécution des modèles climatiques les plus avancés pour prédire l'impact des niveaux de pollution sur des facteurs environnementaux comme la température peut prendre des semaines, même sur les superordinateurs les plus puissants du monde. C'est pourquoi les scientifiques ont souvent recours à des émulateurs climatiques. Un décideur politique peut utiliser un tel émulateur pour évaluer rapidement comment des hypothèses alternatives sur les émissions de gaz à effet de serre affecteraient les températures futures, ce qui les aide à élaborer des réglementations et des stratégies.

Cependant, un émulateur est inutile s'il fournit des prévisions inexactes sur les impacts locaux du changement climatique. Bien que l'apprentissage profond soit devenu de plus en plus populaire pour la construction d'émulateurs, peu d'études ont examiné en détail si ces modèles modernes surpassent les approches éprouvées et plus simples. C'est exactement ce qu'a fait l'équipe du MIT. Ils ont comparé une technique traditionnelle connue sous le nom de mise à l'échelle linéaire de motifs (LPS) avec un modèle d'apprentissage profond, en utilisant un ensemble de données de référence commun pour l'évaluation des émulateurs climatiques.

Leurs résultats initiaux ont montré que le LPS surpassait les modèles d'apprentissage profond dans la prédiction de presque tous les paramètres testés, y compris la température et les précipitations. "Les grandes méthodes d'IA sont très attrayantes pour les scientifiques, mais elles résolvent rarement un problème entièrement nouveau. Il est donc nécessaire de mettre d'abord en œuvre une solution existante et plus simple pour déterminer si l'approche complexe de l'apprentissage automatique apporte réellement une amélioration", explique Björn Lütjens, l'auteur principal de l'étude.

Une nouvelle méthodologie pour une évaluation plus juste

Certains des résultats initiaux contredisaient les connaissances fondamentales des chercheurs. On s'attendait à ce qu'un modèle d'apprentissage profond puissant soit plus précis dans la prédiction des précipitations, puisque ces données ne suivent pas un modèle linéaire simple. Une analyse plus détaillée a révélé que la grande quantité de variabilité naturelle dans les simulations des modèles climatiques fait que le modèle d'apprentissage profond gère mal les oscillations imprévisibles à long terme, comme les cycles El Niño/La Niña. Cela a faussé les résultats des tests en faveur du LPS, qui se contente de "moyenner" ces oscillations et ignore ainsi leur complexité.

Sur la base de cette observation, les chercheurs ont construit une nouvelle évaluation plus complète avec plus de données qui tient compte de la variabilité climatique naturelle. Avec cette nouvelle méthodologie, la situation a changé : le modèle d'apprentissage profond s'est avéré légèrement meilleur que le LPS pour la prédiction des précipitations locales, mais le LPS a conservé son avantage en tant qu'outil plus précis pour la prédiction de la température.

"Il est important d'utiliser l'outil de modélisation qui convient au problème spécifique, mais pour pouvoir le faire, il faut d'abord poser correctement le problème lui-même", ajoute Selin. Sur la base de ces résultats, les chercheurs ont intégré le LPS dans leur plateforme d'émulation climatique pour prédire les changements de température locaux selon différents scénarios d'émissions.

Cependant, l'équipe souligne que l'objectif n'est pas de déclarer le LPS comme une solution universelle. "Nous ne préconisons pas que le LPS doive toujours être l'objectif. Il a toujours ses limites. Par exemple, le LPS ne prédit pas la variabilité ou les événements météorologiques extrêmes", souligne Raffaele Ferrari, co-auteur de l'étude. Au lieu de cela, ils espèrent que leurs résultats mettront en évidence la nécessité de développer de meilleures techniques de comparaison et d'évaluation des modèles, qui pourraient fournir une image plus complète de la technique d'émulation climatique la plus appropriée pour une situation donnée.

Avec des critères de référence améliorés pour l'émulation climatique, nous pourrions utiliser des méthodes d'apprentissage automatique plus complexes pour explorer des problèmes qui sont actuellement très difficiles à résoudre, tels que l'impact des aérosols ou l'évaluation du risque de précipitations extrêmes. En fin de compte, des techniques d'évaluation plus précises garantiront que les décideurs politiques basent leurs décisions sur les meilleures informations disponibles, ce qui est d'une importance cruciale dans la lutte contre le changement climatique. Les chercheurs espèrent que d'autres s'appuieront sur leur analyse, peut-être en étudiant des améliorations supplémentaires des méthodes et des critères de référence pour l'émulation climatique. De telles recherches pourraient explorer des métriques axées sur des impacts concrets, tels que les indicateurs de sécheresse et les risques d'incendies de forêt, ou de nouvelles variables comme les vitesses régionales du vent.

Source : Massachusetts Institute of Technology