Les modèles du système terrestre sont les outils les plus importants pour décrire quantitativement l'état physique de la Terre, et—par exemple, dans le contexte des modèles climatiques, prédisant comment cela pourrait changer à l'avenir sous l'influence des activités humaines. Comment les méthodes de plus en plus utilisées de l'intelligence artificielle (IA) peuvent aider à améliorer ces prévisions et où se trouvent les limites des deux approches a maintenant été étudiée par une équipe internationale dirigée par Christopher Irrgang du Centre de recherche allemand pour les géosciences de Potsdam (GFZ) à un article Perspectives pour la revue Nature Machine Intelligence . Une proposition clé :fusionner les deux approches en une « modélisation du système neuronal de la Terre ».

La terre en tant que système, un défi

Le développement de la Terre est une interaction complexe de nombreux facteurs, y compris la surface terrestre avec la flore et la faune, les océans avec leur écosystème, les régions polaires, l'atmosphère, le cycle du carbone et les autres cycles biogéochimiques, et les processus radiologiques. Les chercheurs parlent donc de système Terre.

Avec autant de sphères et de facteurs d'influence interconnectés, c'est un grand défi de prédire les scénarios futurs, comme il faut, par exemple, dans le cadre de la recherche sur le changement climatique. "Des progrès énormes ont été accomplis ici ces dernières années, " dit Christopher Irrgang, auteur principal de l'étude et chercheur postdoctoral dans la section "Modélisation du système Terre" au GFZ. Par exemple, le sixième rapport d'évaluation du GIEC, récemment publié, résume nos connaissances actuelles sur les impacts futurs de divers scénarios d'émissions de gaz à effet de serre de manière plus détaillée que jamais.

Le rapport repose, d'un côté, sur les résultats de plus en plus complets et détaillés des observations et des mesures du système Terre pour évaluer le réchauffement passé et ses impacts, par exemple sous la forme d'événements extrêmes croissants, et d'autre part sur un grand nombre de simulations réalisées avec des modèles du système Terre (ESM) de pointe.

Modélisation classique du système Terre avec des avancées majeures

Les modèles classiques du système terrestre sont basés sur des lois physiques à la fois bien connues et moins connues. A l'aide de méthodes mathématiques et numériques, l'état d'un système à un moment futur est calculé à partir de ce que l'on sait de l'état du système à un moment présent ou passé.

Les modèles sous-jacents se sont continuellement améliorés au cours des dernières décennies :un nombre sans précédent de sous-systèmes et de processus de la Terre peut être pris en compte, y compris, dans une certaine mesure, des processus clés aussi complexes que les effets des nuages. Leurs performances sont démontrées, par exemple, par le fait qu'ils peuvent retracer avec précision l'évolution des températures moyennes mondiales depuis le début de la collecte des données. Aujourd'hui, il est également possible de tirer des conclusions sur les effets du changement climatique au niveau régional.

Limites

Le prix, cependant, est que les ESM de plus en plus complexes nécessitent d'immenses ressources de calcul. Malgré cette évolution, même les prédictions des derniers modèles contiennent des incertitudes. Par exemple, ils ont tendance à sous-estimer la force et la fréquence des événements extrêmes. Les chercheurs craignent que des changements brusques puissent se produire dans certains sous-systèmes de la Terre, les éléments dits de basculement dans le système climatique, que les approches de modélisation classiques ne peuvent pas prédire avec précision. Et de nombreux processus clés, tels que le type d'utilisation des terres ou la disponibilité de l'eau et des nutriments, ne peut pas (encore) être bien représenté.

Les approches d'apprentissage automatique font leur chemin

Les défis des approches ESM classiques, mais aussi les quantités toujours croissantes d'observations terrestres disponibles, ouvrir le champ à l'utilisation de l'intelligence artificielle. Ceci comprend, par exemple, les méthodes d'apprentissage automatique (ML) telles que les réseaux de neurones, forêts aléatoires ou machines à vecteurs de support. Leur avantage est qu'il s'agit de systèmes d'auto-apprentissage qui ne nécessitent pas la connaissance des lois et des relations physiques, peut-être très complexes ou même pas totalement connues. Au lieu, ils sont formés sur de grands ensembles de données pour des tâches spécifiques et apprennent eux-mêmes la systématique sous-jacente. Ce concept flexible et puissant peut être étendu à presque toutes les complexités souhaitées.

Par exemple, un réseau de neurones peut être entraîné à reconnaître et à classer des motifs dans des images satellites, telles que les structures nuageuses, les tourbillons océaniques ou la qualité des récoltes. Ou il apprend à faire une prévision météo basée sur les enregistrements précédents, modèles et équations d'équilibre physique.

"Bien que les premières études aient montré que les concepts d'apprentissage automatique peuvent être utilisés pour l'analyse d'images dès le début des années 90, « l'explosion cambrienne » de l'IA dans les sciences de la Terre et du climat n'a lieu que depuis environ cinq ans, " note Irrgang. Notamment parce que les pools de données de mesure et de modèle augmentent quotidiennement et que de plus en plus de bibliothèques de ML prêtes à l'emploi sont disponibles.

Peut-on se fier aux résultats de l'intelligence artificielle ?

Cependant, il reste à voir dans quelle mesure cette approche d'auto-apprentissage peut réellement étendre voire remplacer les approches de modélisation classiques. Parce que l'apprentissage automatique a aussi – toujours – ses pièges :« De nombreuses applications ML d'aujourd'hui pour la science du climat sont des études de validation de concept qui fonctionnent dans un environnement simplifié. " résume Irrgang.

Autre aspect décisif :Comme dans une boîte noire, l'entrée et la sortie sont connues, mais les processus qui les sous-tendent pour acquérir des connaissances ne le sont pas. Cela pose des problèmes de validation des résultats pour la cohérence physique, même s'ils semblent plausibles. « L'interprétabilité et l'explicabilité sont des enjeux importants dans le contexte de l'apprentissage automatique qui doivent être améliorés à l'avenir pour renforcer la transparence et la confiance dans la méthode. Surtout lorsque les résultats des prédictions sont une base importante pour les décisions politiques, comme c'est le cas dans la recherche sur le climat, " soulignent les auteurs de l'étude.

Une troisième voie nouvelle et en évolution rapide :les hybrides d'ESM et d'IA

Dans la présente publication, l'équipe autour du mathématicien propose une troisième voie :La fusion des deux approches évoquées ci-dessus en une "modélisation neuronale du système Terre". De cette façon, les forces respectives pourraient être combinées et leurs limites étendues. Les premiers pas prometteurs sur cette voie ont déjà été franchis. Par exemple, Le ML n'est plus uniquement utilisé pour l'analyse de données pures, mais aussi de reprendre ou d'accélérer certaines étapes du processus dans le cadre des ESM classiques. Cela libérerait alors des capacités de calcul qui pourraient être utilisées pour d'autres raffinements du modèle.

À l'avenir, de nouvelles interfaces peuvent établir un échange dynamique d'informations entre les deux approches afin qu'elles s'améliorent continuellement. Cette extension profonde de la recherche classique sur la Terre et le climat basée sur les processus élève la modélisation du système neuronal terrestre à une nouvelle branche de recherche émergente rapidement. À la base se trouvent un système hybride qui peut tester, correct, et améliorer leur consistance physique et, Donc, permettre des prévisions plus précises des processus géophysiques et climatiques.

Maintenant, Irrgang et ses collègues concluent que l'IA et l'approche hybride contiennent encore des risques et des pièges élevés, et il est loin d'être clair que le battage médiatique actuel entourant l'utilisation de l'intelligence artificielle résoudra, du moins à lui seul, les problèmes ouverts de la recherche sur la Terre et le climat. Dans tous les cas, cependant, cela vaut la peine de poursuivre dans cette voie. Pour que cela se produise, cependant, une coopération étroite entre la recherche sur le climat et la Terre d'une part et les experts en IA d'autre part deviendra de plus en plus importante.