LEAP-HCS
Programmation différentiable et apprentissage en ligne pour le développement de simulateurs climatiques hybrides

Aperçu

Exploiter la programmation différentiable et l’apprentissage en ligne pour le développement de simulateurs climatiques hybrides.

Responsable :
Said OUALA (IMT-Atlantique)

Les modèles du système Terre (ESMs) sont largement utilisés pour étudier les changements climatiques résultant de perturbations anthropiques et naturelles. Ces dernières années, des progrès significatifs ont été réalisés grâce au développement de nouveaux schémas numériques, à l’affinement des paramétrisations physiques et à l’utilisation d’ordinateurs de plus en plus puissants. Malgré ces progrès, l’ajustement des ESMs pour reproduire fidèlement les données historiques reste en grande partie un processus manuel, et des erreurs et biais persistants continuent de compromettre leur précision. Les récentes avancées en matière d’apprentissage automatique scientifique (SciML) ont permis la mise au point de nouvelles méthodes basées sur l’apprentissage pour la conception et le calibrage des ESMs. Parmi ces approches, le paradigme de la programmation différentiable relie le SciML aux avancées établies en matière de contrôle optimal et d’assimilation des données.

LEAP-HCS vise à poursuivre l’exploration de l’intersection entre l’apprentissage en ligne, la programmation différentiable et le contrôle optimal dans le contexte de la modélisation du système Terre afin de développer de nouvelles méthodes de calibration basées sur les données pour les modèles du système Terre. Ce projet se concentre sur la composante océanique des modèles climatiques, dans le but de développer des avancées méthodologiques qui soutiennent à la fois la calibration des paramètres et l’accélération du spin-up dans les modèles océaniques. 

Mots-clefs : modèles hybrides de circulation océanique globale, modèles du système Terre, intelligence artificielle, paramétrage, ajustement des paramètres, apprentissage en ligne, programmation différentiable, accélération du spin-up, assimilation des données