Thèse Modèles Hybrides IA-Physique Différentiables pour la Modélisation et la Prédiction du Climat 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 Cette thèse vise à développer une nouvelle génération de modèles hybrides combinant intelligence artificielle et modélisation physique différentiable pour mieux représenter, comprendre et prédire les dynamiques du système climatique.

Les modèles numériques du climat reposent sur une représentation explicite des lois physiques, mais certains processus restent difficiles à représenter en raison de leur complexité, de leur caractère multi-échelle ou de leur coût computationnel. À l'inverse, les approches récentes d'intelligence artificielle peuvent apprendre des dynamiques complexes à partir de grandes quantités de données, mais leur utilisation dans les sciences du climat soulève des questions de généralisation, de stabilité et de cohérence physique.

Le projet cherchera à combiner les forces de ces deux approches. L'IA sera intégrée directement au sein de modèles physiques différentiables afin d'apprendre certains processus non résolus, améliorer les paramétrisations existantes, corriger les erreurs systématiques des modèles ou accélérer certaines composantes coûteuses du calcul. La différentiabilité permettra d'optimiser conjointement les composantes physiques et apprises à partir de simulations et d'observations.

Un enjeu central sera de développer des méthodes permettant un apprentissage de bout en bout à travers le modèle physique, tout en préservant les propriétés essentielles du système telles que la stabilité numérique, la cohérence physique et les lois de conservation. Une attention particulière sera également portée aux difficultés liées à la propagation de l'information et des gradients dans des systèmes non linéaires et chaotiques.

La thèse explorera également la capacité de ces modèles hybrides à généraliser au-delà des conditions utilisées pour leur entraînement, notamment dans des régimes climatiques différents. Cette question est essentielle pour leur utilisation dans l'étude du changement climatique, où les modèles doivent être capables de représenter des conditions qui ne sont pas nécessairement présentes dans les observations historiques.

Les méthodes seront d'abord développées et évaluées sur des systèmes physiques contrôlés, puis appliquées progressivement à des problèmes atmosphériques et climatiques plus complexes. Les applications pourront notamment concerner les processus sous-maille, la convection, la turbulence, les nuages, les interactions surface-atmosphère ou d'autres composantes dont la représentation constitue une source importante d'incertitude dans les modèles climatiques.

L'objectif final est de contribuer au développement de modèles climatiques hybrides, différentiables et guidés par la physique, capables d'exploiter conjointement les connaissances physiques, les simulations numériques et les observations. Ces travaux pourraient ouvrir de nouvelles perspectives pour la calibration des modèles, l'apprentissage de nouvelles paramétrisations et le développement de modèles du système Terre plus précis, efficaces et adaptables. Les modèles numériques du climat constituent des outils essentiels pour comprendre et prévoir l'évolution du système Terre. Cependant, de nombreux processus physiques, tels que la convection, la turbulence, les nuages ou les interactions surface-atmosphère, restent difficiles à représenter explicitement en raison de leur complexité, de leur caractère multi-échelle et de leur coût computationnel. Leur paramétrisation constitue ainsi une source importante d'incertitude dans les simulations climatiques.

Parallèlement, les progrès récents en intelligence artificielle, apprentissage automatique et programmation différentiable offrent de nouvelles possibilités pour intégrer directement les données et l'apprentissage au sein des modèles physiques. Les modèles différentiables permettent notamment d'optimiser de manière cohérente différentes composantes d'un simulateur et d'entraîner conjointement des modules physiques et neuronaux.

Cette thèse s'inscrit dans cette convergence entre IA et modélisation physique. Elle explorera le développement de modèles hybrides différentiables capables d'apprendre des processus non résolus ou imparfaitement représentés tout en conservant les contraintes fondamentales de la physique. Un enjeu majeur sera également d'assurer leur stabilité, leur interprétabilité et leur capacité de généralisation, notamment sous des conditions climatiques différentes de celles utilisées lors de l'apprentissage. Développer une nouvelle génération de modèles hybrides combinant intelligence artificielle et modèles physiques différentiables pour améliorer la représentation et la prédiction du système climatique. Le projet vise à intégrer des composantes d'IA directement au sein des modèles physiques afin d'apprendre les processus non résolus, améliorer les paramétrisations, corriger les erreurs systématiques et accélérer certaines composantes numériques. Un objectif central sera de permettre un apprentissage de bout en bout à partir de simulations et d'observations, tout en garantissant la stabilité, la cohérence physique et la capacité de généralisation des modèles, notamment dans des conditions climatiques différentes de celles utilisées pour leur entraînement. La thèse reposera sur le développement de modèles hybrides combinant composantes physiques différentiables et méthodes d'intelligence artificielle. Des architectures d'apprentissage automatique seront intégrées directement dans des modèles numériques afin de représenter les processus non résolus, améliorer certaines paramétrisations ou corriger les erreurs du modèle. La différentiation automatique permettra d'entraîner conjointement les composantes physiques et apprises à partir de simulations et d'observations.

Les méthodes seront d'abord développées et évaluées sur des systèmes dynamiques et physiques contrôlés, avant d'être progressivement appliquées à des configurations atmosphériques et climatiques plus complexes. Une attention particulière sera portée à la stabilité numérique, aux contraintes physiques, à la propagation des gradients, à l'efficacité computationnelle et à la généralisation à des régimes différents de ceux utilisés pour l'apprentissage. Les performances seront comparées à celles de modèles physiques traditionnels et d'approches purement fondées sur les données.