COMPACT
Paradigmes informatiques pour des modèles climatiques efficaces, modulaires et entraînables

Aperçu

Réinventer les modèles climatiques avec l’IA et le calcul haute performance pour des prévisions plus précises.

Responsable :
Julien LE SOMMER (CNRS – IGE)

Co-responsables :
Sophie VALCKE (CERFACS)
Yann MEURDESOIF (CEA – LSCE-IPSL)
Thomas DUBOS (École polytechnique – LMD-IPSL)

Le projet ciblé COMPACT (PC5) vise à améliorer le design logiciel et l’efficacité des modèles de climat développés en France, ainsi qu’à former de nouveaux scientifiques pour accompagner cette évolution.

Les modèles de climat sont des outils scientifiques essentiels pour comprendre le système climatique et élaborer des politiques publiques, notamment dans le cadre des services climatiques. Leur évolution est nécessaire pour répondre à de nouvelles applications et opportunités technologiques. Ces modèles doivent fournir des informations précises à des résolutions spatiales de plus en plus fines, tout en quantifiant les incertitudes des prévisions.

Ils doivent exploiter les nouvelles générations de supercalculateurs, ajuster leur complexité en fonction des besoins des applications, exploiter les données d’observation terrestre et les avancées les plus récentes en intelligence artificielle. Pour cela, il est nécessaire de les rendre plus performants et plus modulaires.

Le PC5 combine des activités exploratoires et des modifications structurelles des outils numériques des systèmes de modélisation IPSL-CM et CNRM-CM. Ces actions se concentrent sur trois axes : performances HPC, modularité et hybridation IA, afin de garantir l’intégration de ces innovations dans les futures versions des modèles de climat nationaux.

Mots-clefs : modèles climatiques, calcul haute performance, « Exascale », design logiciel, apprentissage automatique, programmation différentiable

Objectifs

Recherches

Transformer les modèles de climat.

Optimiser les échanges de données au sein des systèmes.

Tirer profit des nouvelles architectures de calcul.

Intégrer les émulateurs neuronaux dans les modèles de climat.

Améliorer la modularité des modèles.

Améliorer les APIs internes des composantes des modèles de climat.

Faciliter le remplacement des composantes des modèles de climat

Développer des ontologies permettant d’améliorer la modularité des systèmes.

Déployer des composants d’IA dans les modèles.

Définir les outils pour déployer des composantes IA dans les modèles.

Faciliter l’entraînement de composantes IA pour augmenter les modèles actuels.

Accompagner les utilisateurs des modèles hybrides IA.