L’in­tel­li­gence ar­ti­fi­cielle dy­na­mise la mé­téo­ro­lo­gie

doc­to­rant en in­tel­li­gence ar­ti­fi­cielle au LIP6, à l’uni­ver­si­té Pierre-et-Ma­rie-Cu­rie, Pa­ris

La Recherche - - Dossier -

Lorsque je ren­con­tre­rai Dieu, je lui po­se­rai deux ques­tions. Com­ment fonc­tionne la re­la­ti­vi­té ? Com­ment fonc­tionne la tur­bu­lence ? Je crois vrai­ment qu’il au­ra une ré­ponse à la pre­mière ques­tion. » Cette ci­ta­tion, at­tri­buée aux phy­si­ciens Wer­ner Hei­sen­berg ou Ho­race Lamb, sou­ligne la dif­fi­cul­té ex­trême de la pré­dic­tion mé­téo­ro­lo­gique, qui consiste à uti­li­ser les équa­tions de la ther­mo­dy­na­mique et de la mé­ca­nique des fluides pour si­mu­ler l’évolution du com­por­te­ment de l’at­mo­sphère à l’aide de su­per­cal­cu­la­teurs. Or c’est jus­te­ment la tur­bu­lence, phé­no­mène com­plexe et in­com­pris, qui li­mite l’ho­ri­zon pré­dic­tif de ces si­mu­la­tions. Une al­ter­na­tive à cette ap­proche clas­sique consiste à uti­li­ser l’in­tel­li­gence ar­ti­fi­cielle. En par­ti­cu­lier, des al­go­rithmes d’ap­pren- tis­sage ap­pe­lés ré­seaux de neu­rones pro­fonds, ca­pables d’ap­prendre à pré­dire cer­taines quan­ti­tés phy­siques à par­tir de don­nées mé­téo­ro­lo­giques du pas­sé (lire p. 42). Ils dé­couvrent par eux-mêmes des struc­tures ca­chées dans de gros vo­lumes de don­nées, sans que l’on ait be­soin de leur four­nir des connais­sances théo­riques préa­lables sur le phé­no­mène mé­téo­ro­lo­gique. Cette ap­proche com­mence à por­ter ses fruits, no­tam­ment aux États-Unis, où l’US Na­tio­nal Wea­ther Ser­vice l’uti­lise pour pré­voir la du­rée d’évé­ne­ments cli­ma­tiques sé­vères (1). Les al­go­rithmes d’ap­pren­tis­sage pro­fonds consistent en

un « em­pi­le­ment » de couches d’es­ti­ma­teurs sta­tis­tiques simples qui trans­forment peu à peu les don­nées brutes, jus­qu’à réa­li­ser une pré­dic­tion. Cette ar­chi­tec­ture per­met un trai­te­ment hié­rar­chique des don­nées. Dans le cas de don­nées spa­tiales, les couches les plus proches des don­nées per­mettent de sai­sir les dy­na­miques lo­cales, tan­dis que les couches les plus pro­fondes per­mettent de mieux ap­pré­hen­der des dy­na­miques à une échelle glo­bale.

Ges­tion de l’in­cer­ti­tude

La spé­ci­fi­ci­té de la mé­téo­ro­lo­gie est que l’on cherche à mo­dé­li­ser une dy­na­mique plu­tôt qu’une in­for­ma­tion spa­tiale. Cette di­men­sion spa­tio-tem­po­relle rap­proche la pré­dic­tion mé­téo de la pré­dic­tion vi­déo, consis­tant à dé­duire la suite d’une sé­quence vi­déo, par exemple la tra­jec­toire d’une voi­ture. L’une des prin­ci­pales dif­fi­cul­tés de ce genre de pro­blème est la ges­tion de l’in­cer­ti­tude : la voi­ture va-t-elle tour­ner à gauche ou à droite ? Un re­mède à cette in­cer­ti­tude: les ré­seaux ad­ver­sa­riaux. Il s’agit de ré­seaux de neu­rones en­traî­nés à se trom­per l’un l’autre. Le pre­mier ré­seau (gé­né­ra­teur) gé­nère des échan­tillons is­sus d’ob­ser­va­tions réelles et le se­cond ré­seau (dis­cri­mi­na­teur) com­pare ces échan­tillons aux ob­ser­va­tions. En en­traî­nant ces ré­seaux si­mul­ta­né­ment, le ré­seau dis­cri­mi­na­teur fi­nit par ne plus faire la dif­fé­rence entre les échan­tillons pro­po­sés par le ré­seau gé­né­ra­teur et les ob­ser­va­tions réelles. Le ré­seau gé­né­ra­teur a donc ap­pris une distribution re­pré­sen­ta­tive des « vraies » ob­ser­va­tions. À par­tir de cet échan­tillon, on peut ain­si ef­fec­tuer des pré­dic­tions en li­mi­tant l’in­cer­ti­tude. Même si elle ne per­met pas de res­ti­tuer la com­plexi­té des mo­dèles mé­téo­ro­lo­giques glo­baux, cette ap­proche est pro­met­teuse pour les tâches de pré­dic­tion de phé­no­mènes lo­caux. (1) A. McGo­vern et al., B. Am. Me­teo­rol. Soc., doi:10:1175/BAMS-D-16-0123.1, 2017.

Les ré­seaux de neu­rones pro­fonds peuvent ai­der à pré­dire les cy­clones.

Newspapers in French

Newspapers from France

© PressReader. All rights reserved.