Modèles hybrides IA–physique différentiables pour la modélisation et la prédiction du climat

Cette thèse vise à développer une nouvelle génération de modèles hybrides combinant intelligence artificielle et modélisation physique différentiable pour mieux représenter, comprendre et prédire les dynamiques du système climatique. Les modèles numériques du climat reposent sur une représentation explicite des lois physiques, mais certains processus restent difficiles à représenter en raison de leur complexité, de leur caractère multi-échelle ou de leur coût computationnel. À l'inverse, les approches récentes d'intelligence artificielle peuvent apprendre des dynamiques complexes à partir de grandes quantités de données, mais leur utilisation dans les sciences du climat soulève des questions de généralisation, de stabilité et de cohérence physique. Le projet cherchera à combiner les forces de ces deux approches. L'IA sera intégrée directement au sein de modèles physiques différentiables afin d'apprendre certains processus non résolus, améliorer les paramétrisations existantes, corriger les erreurs systématiques des modèles ou accélérer certaines composantes coûteuses du calcul. La différentiabilité permettra d'optimiser conjointement les composantes physiques et apprises à partir de simulations et d'observations. Un enjeu central sera de développer des méthodes permettant un apprentissage de bout en bout à travers le modèle physique, tout en préservant les propriétés essentielles du système telles que la stabilité numérique, la cohérence physique et les lois de conservation. Une attention particulière sera également portée aux difficultés liées à la propagation de l'information et des gradients dans des systèmes non linéaires et chaotiques. La thèse explorera également la capacité de ces modèles hybrides à généraliser au-delà des conditions utilisées pour leur entraînement, notamment dans des régimes climatiques différents. Cette question est essentielle pour leur utilisation dans l'étude du changement climatique, où les modèles doivent être capables de représenter des conditions qui ne sont pas nécessairement présentes dans les observations historiques. Les méthodes seront d'abord développées et évaluées sur des systèmes physiques contrôlés, puis appliquées progressivement à des problèmes atmosphériques et climatiques plus complexes. Les applications pourront notamment concerner les processus sous-maille, la convection, la turbulence, les nuages, les interactions surface–atmosphère ou d'autres composantes dont la représentation constitue une source importante d'incertitude dans les modèles climatiques. L'objectif final est de contribuer au développement de modèles climatiques hybrides, différentiables et guidés par la physique, capables d'exploiter conjointement les connaissances physiques, les simulations numériques et les observations. Ces travaux pourraient ouvrir de nouvelles perspectives pour la calibration des modèles, l'apprentissage de nouvelles paramétrisations et le développement de modèles du système Terre plus précis, efficaces et adaptables. École doctorale : Sciences de l'Environnement d'Ile-de-France Direction : Pierre GENTINE Financement : Associations, fondations, programmes privés étrangers