Les projections climatiques qui orientent les décisions sur les réseaux électriques, la santé publique et l'agriculture viennent de modèles du système Terre si détaillés qu'un seul scénario peut prendre des mois sur une grappe de supercalculateurs. Les scientifiques contournent l'obstacle avec des émulateurs, des substituts rapides fondés sur l'IA qui imitent les grands modèles et tournent en quelques secondes. Des chercheurs du MIT présentent une façon d'entraîner ces émulateurs avec beaucoup moins de données et de les rendre meilleurs face à des situations inédites.
L'approche habituelle, explique MIT News, consiste à entraîner un émulateur sur six à huit trajectoires d'émissions futures réalistes, chacune devant d'abord passer par un modèle complet du système Terre. C'est lent et coûteux, et l'équipe avait déjà constaté que cela peut produire des émulateurs qui échouent face à des scénarios inconnus. Leur nouvel algorithme construit plutôt un jeu d'entraînement synthétique conçu uniquement pour bien instruire l'émulateur. Il part d'un scénario arbitraire produit par un modèle climatique simple et rapide, mesure la qualité de reproduction par l'émulateur, puis ajuste les émissions dans les données d'entraînement, par exemple une forte hausse du dioxyde de carbone en 2050 ou une baisse rapide du méthane en 2037, jusqu'à ce que l'erreur passe sous un seuil.
Les scénarios obtenus ne ressemblent à aucun avenir plausible. Ils sont pleins de variations et d'oscillations rapides qui, selon l'auteur principal, Christopher Womack, permettent à l'émulateur d'extraire bien plus d'informations sur la réponse du système. Dans des tests publiés dans les Proceedings of the National Academy of Sciences, un émulateur entraîné ainsi a prédit des scénarios hors de son jeu d'entraînement, y compris des mesures locales réduisant un polluant pendant que d'autres continuent d'augmenter, un cas où les émulateurs traditionnels évalués ont échoué. Il suffirait de faire tourner le modèle complet une fois au lieu de six ou huit.
L'idée parlera à tous ceux qui travaillent en apprentissage automatique : choisir les données d'entraînement pour ce qu'elles enseignent, non pour leur réalisme. Elle s'inscrit dans le virage plus large de la science vers des modèles appris rapides, des travaux météorologiques de Google DeepMind à la famille plus large des émulateurs d'IA, dont la valeur est de tester des milliers de scénarios à faible coût.
Les limites sont importantes. Les scénarios d'entraînement de cette étude viennent d'un modèle climatique simple, et les chercheurs indiquent qu'un test avec un scénario issu d'un modèle complet du système Terre reste à faire. Les résultats portent sur les émulateurs et les cas évalués dans l'article. Que les décideurs fassent confiance à un outil entraîné sur des données délibérément irréalistes est une autre question que la recherche ne tranche pas.