Climat : une IA entraînée avec des scénarios d'émissions inventés
· Rédaction BehindLines
Des chercheurs du MIT ont mis au point une méthode pour entraîner plus vite des modèles d'intelligence artificielle de prévision climatique, avec une fraction des données habituelles. Le MIT a présenté ce travail le 12 novembre 2026 en indiquant qu'il paraît cette semaine dans les Proceedings of the National Academy of Sciences. Un manuscrit existe aussi sur le serveur de prépublications arXiv : déposé le 17 juin 2026 puis révisé le 29 septembre, il précède de plusieurs mois l'annonce du MIT, et sa page arXiv ne mentionne aucune revue.
Des « émulateurs » pour remplacer des mois de calcul
Les projections climatiques à long terme reposent sur des modèles du système terrestre, très détaillés mais lourds : le MIT indique qu'il peut falloir des mois sur une grappe de superordinateurs pour simuler un seul avenir possible. Les « émulateurs » sont des modèles d'IA qui imitent leur comportement et tournent en quelques secondes, ce qui permet, selon le MIT, de tester des milliers de scénarios.
Le défaut des scénarios réalistes
D'ordinaire, on entraîne un émulateur avec six à huit trajectoires d'émissions réalistes, chacune exigeant une exécution complète du modèle de référence. Le MIT rapporte que ses chercheurs avaient constaté que de tels scénarios donnent des émulateurs moins performants face à des situations inédites. Le résumé de l'étude sur arXiv attribue ce plafond de performance à la faible diversité structurelle des scénarios habituels.
Un jeu de données fabriqué sur mesure
Christopher Womack, auteur principal, aujourd'hui postdoctorant à l'ETH Zurich, et ses collègues ont conçu un algorithme qui génère un jeu de scénarios synthétiques optimisés. Selon le MIT, il part d'un scénario arbitraire créé avec un modèle climatique simple et rapide, mesure l'écart entre l'émulateur et le modèle de référence, puis modifie les données par itérations jusqu'à ce que l'erreur atteigne un seuil. Le résultat ne ressemble pas à un futur plausible : les trajectoires comportent de brusques variations, et l'algorithme pourrait par exemple faire grimper fortement le CO2 en 2050 ou faire chuter vite le méthane en 2037. Pour Christopher Womack, ces oscillations rapides permettent à l'émulateur d'extraire beaucoup plus d'informations sur l'ensemble du système.
Il suffit alors de lancer le modèle complet une seule fois, au lieu de six ou huit. D'après le résumé sur arXiv, avec un modèle climatique simple, un émulateur entraîné sur un seul scénario optimisé fait mieux qu'un émulateur entraîné sur six trajectoires standard (ScenarioMIP). Les auteurs ajoutent que des scénarios optimisés avec ce modèle simple, puis utilisés pour piloter un modèle de complexité intermédiaire, fournissent un jeu d'entraînement plus performant que les sorties ScenarioMIP. Selon le MIT, un émulateur entraîné ainsi sait aussi prédire l'effet de politiques locales qui réduisent un polluant alors que d'autres émissions continuent d'augmenter, ce que les émulateurs classiques testés n'ont pas réussi.
Pourquoi c'est important
Selon Noelle Selin, auteure senior de l'étude, l'entraînement d'un émulateur peut prendre des mois, voire des années, si bien que les outils disponibles sont souvent dépassés ; elle estime que cette méthode, en raccourcissant ce délai, pourrait tout changer. Christopher Womack espère que ces émulateurs rapides et adaptables serviront mieux à élaborer des politiques publiques. Les chercheurs veulent maintenant tester la technique avec un scénario produit par un modèle complet, et l'appliquer à d'autres types de modèles climatiques.