LEAP-HCS - PEPR TRACCS

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

Objectifs

Recherches

Développement d’un modèle d’océan basé sur la programmation différentiable.

Construire un modèle océanique entièrement différentiable afin de valider et d’évaluer le potentiel de la programmation différentiable pour la calibration des paramètres et l’estimation d’état sur des problématiques à l’échelle. Le modèle sera basé sur le Versatile Ocean Simulator (VEROS).

Développement et validation de techniques d’optimisation par gradient approché (tenant compte du manque de capacités de programmation différentiable des modèles océaniques actuels).

Concevoir des méthodes d’approximation de gradient pour permettre de résoudre des problèmes d’apprentissage sur les modèles climatiques existants, qui ne prennent pas nativement en charge la programmation différentiable.

Développement de méthodes de calibration automatiques pour des modèles océaniques.

Utiliser les méthodes d’apprentissage développées précédemment pour ajuster automatiquement les paramétrisations des processus sous-maille ainsi que pour optimiser la phase de « spin-up » des composantes océaniques des modèles climatiques.

Résultats scientifiques attendus

Impacts sociétaux

Présentation du projet

Poster_LEAP-HCS_(1 771 Ko)Télécharger

Réunion de lancement

Le projet LEAP-HCS, lauréat du premier appel à projet TRACCS, a tenu sa réunion de lancement le 2 février 2026 au campus des Cordeliers (Paris 6e) et en ligne ! Cette réunion de lancement a rassemblé 18 participant.e.s autour de discussions scientifiques et d’une présentation du programme TRACCS par ses co-directeur.rice.s, Masa Kageyama et Samuel Morin, afin de favoriser les interactions de sa communauté avec LEAP-HCS.

La session 1 est composée de 4 présentations :

Le projet LEAP-HCS par Said Ouala (IMT-Atlantique),
« A biased overview of eddy parameterisation in NEMO » par Julien Mak (HKUST, UK NOC),
« Machine learning of subgrid-scale parameterizations » par Hugo Frezat (CNRS-IGE),
« A Python wrapper for NEMO-ORCA1: a tool for exploring hybrid workflows » par Alexis Barge (CNRS-IGE).