Thèse Modèles Différentiables et Assimilation de Données pour la Modélisation et la Prédiction du Système Climatique H/F Doctorat.Gouv.Fr

Établissement : École normale supérieure - PSL (ENS-PSL) École doctorale : Sciences de l'Environnement d'Ile-de-France Laboratoire de recherche : LMD - Laboratoire de Météorologie Dynamique Direction de la thèse : Pierre GENTINE ORCID 0000000208458345 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-10-15T23:59:59 La modélisation du climat et du système Terre repose sur des modèles numériques complexes décrivant les interactions entre l'atmosphère, l'océan, les surfaces continentales et les autres composantes du système climatique. Malgré les progrès considérables réalisés au cours des dernières décennies, ces modèles restent affectés par des incertitudes liées aux conditions initiales, aux paramètres physiques, aux processus non résolus et aux approximations numériques. Parallèlement, la quantité d'observations disponibles augmente rapidement grâce aux satellites, aux réseaux de mesures et aux campagnes expérimentales. Exploiter efficacement ces observations pour contraindre et améliorer les modèles constitue un défi scientifique majeur.

Cette thèse vise à développer une nouvelle génération de méthodes combinant modélisation physique différentiable, assimilation de données et intelligence artificielle. La programmation différentiable et la différentiation automatique permettent de calculer les gradients à travers les différentes composantes d'un modèle numérique. Elles offrent ainsi de nouvelles possibilités pour propager l'information issue des observations à travers le modèle et optimiser les conditions initiales, les paramètres physiques ou certaines composantes apprises.

Le projet étudiera comment construire et utiliser des modèles différentiables pour l'assimilation de données dans des systèmes géophysiques complexes. Les travaux porteront notamment sur l'estimation de l'état du système et des paramètres, la calibration des paramétrisations physiques, l'intégration d'observations hétérogènes et l'apprentissage de processus non ou partiellement résolus. Une attention particulière sera portée aux difficultés associées aux systèmes non linéaires et chaotiques, notamment la stabilité et la propagation des gradients sur des horizons temporels croissants.

Les méthodes développées seront d'abord évaluées sur des systèmes dynamiques idéalisés permettant une analyse approfondie de leurs propriétés, puis appliquées à des configurations géophysiques et climatiques plus réalistes. Elles seront comparées aux approches classiques d'assimilation de données afin d'évaluer leur précision, leur robustesse et leur efficacité computationnelle.

À terme, cette recherche ambitionne de développer de nouveaux outils permettant une intégration plus étroite entre observations, modèles physiques et apprentissage automatique. Elle contribuera à améliorer la calibration, l'initialisation et la prédiction des modèles du système Terre, tout en ouvrant de nouvelles perspectives pour le développement de modèles climatiques hybrides, différentiables et directement contraints par les observations. La modélisation du climat repose sur des modèles numériques complexes décrivant les interactions entre l'atmosphère, l'océan, les surfaces continentales et d'autres composantes du système Terre. Malgré leur sophistication, ces modèles restent soumis à des incertitudes liées aux conditions initiales, aux paramètres, aux processus non résolus et aux approximations numériques.

Parallèlement, la quantité d'observations disponibles augmente rapidement grâce aux satellites, réseaux de mesures et campagnes expérimentales. L'assimilation de données constitue un cadre essentiel pour combiner ces observations avec les modèles physiques. Cependant, les méthodes classiques peuvent devenir coûteuses lorsque les modèles sont fortement non linéaires et de très grande dimension.

Les progrès récents en programmation différentiable, différentiation automatique et apprentissage automatique scientifique ouvrent de nouvelles perspectives. Rendre tout ou partie d'un modèle physique différentiable permet de propager directement l'information issue des observations à travers le modèle et d'optimiser simultanément états, paramètres ou composantes apprises. Cette thèse explorera cette convergence entre modélisation physique différentiable, assimilation de données et intelligence artificielle. L'objectif de la thèse est de développer une nouvelle génération de modèles climatiques différentiables, permettant de calculer efficacement les gradients à travers les différentes composantes d'un modèle physique. Ces outils seront exploités pour développer des méthodes innovantes d'assimilation de données, d'estimation d'état et de paramètres, de calibration et d'apprentissage à partir d'observations.

Le projet cherchera notamment à combiner les avantages des modèles physiques avec ceux de l'apprentissage automatique afin de mieux exploiter des observations hétérogènes et potentiellement incomplètes. L'objectif à terme est d'améliorer l'initialisation, la calibration, la prédiction et la compréhension des systèmes géophysiques et climatiques complexes. Le projet développera des modèles et composantes physiques compatibles avec la différentiation automatique, notamment à l'aide de frameworks tels que JAX et/ou PyTorch. Ces modèles seront couplés à différentes stratégies d'assimilation de données et d'optimisation fondées sur les gradients.

Les travaux porteront notamment sur l'estimation des conditions initiales et des paramètres physiques, la calibration de paramétrisations, l'intégration d'observations hétérogènes et l'apprentissage de composantes non résolues du système. Une attention particulière sera accordée à la stabilité numérique, au coût computationnel, à la propagation des gradients dans des dynamiques chaotiques et à la quantification des incertitudes.

Les méthodes développées seront évaluées progressivement sur des systèmes dynamiques idéalisés puis sur des applications géophysiques et climatiques plus réalistes, en comparaison avec des méthodes d'assimilation de données de référence.