Une équipe de recherche menée par Caltech affirme avoir montré qu’une intelligence artificielle peut prévoir quand un système s’approche d’un point de bascule, et pas seulement suivre une évolution graduelle. Dans un nouvel article publié dans Proceedings of the National Academy of Sciences, les chercheurs indiquent qu’un opérateur neural récurrent a anticipé des changements brusques dans un modèle climatique simplifié et dans des simulations d’écoulement turbulent autour d’une aile.
Faits clés
- L’étude a été menée par des chercheurs de Caltech avec l’Université du Colorado à Boulder et NVIDIA.
- La méthode d’IA utilisée est un opérateur neural récurrent, décrit dans l’article comme doté d’une mémoire intégrée.
- Dans un scénario climatique simulé, le modèle a prévu la disparition de nuages bas plus de deux ans à l’avance, avec une erreur d’environ 11 jours.
- L’article a aussi testé l’écoulement autour d’une aile de plane incliné, où le modèle a prédit un point de bascule lié à une chute brutale de la portance.
- Les auteurs estiment que cette approche pourrait être utile en sciences du climat, en écologie, en épidémiologie et dans la conception aéronautique.
Ce que cela peut changer pour les étudiants, chercheurs et ingénieurs
L’enjeu immédiat concerne les chercheurs qui étudient des systèmes évoluant de façon non linéaire dans le temps. L’article suggère que cette nouvelle approche d’IA pourrait aider à analyser des environnements où les méthodes classiques d’apprentissage automatique peinent, parce que la physique sous-jacente n’y reste pas stationnaire.
Pour les étudiants et chercheurs en sciences du climat, en aérodynamique et dans des domaines connexes, l’enseignement pratique est que le modèle a été testé sur des systèmes simplifiés qui n’ont pas encore été mesurés directement dans le cas climatique. Il s’agit donc d’une démonstration de méthode, et non d’un outil de prévision final prêt pour un déploiement dans le monde réel. La prochaine étape consiste à vérifier si des méthodes d’IA similaires résistent dans des jeux de données et des applications plus complexes.
Le travail peut aussi intéresser les études aérospatiales, où des changements progressifs des conditions peuvent précéder des transitions brutales de l’écoulement. Dans la simulation d’aile étudiée, l’IA a signalé un point de bascule avant la chute marquée de la portance simulée, ce qui pourrait à terme compter pour la prévision et la conception.
Que montre exactement l’équipe de Caltech?
Elle montre qu’un opérateur neural récurrent peut repérer quand un système modélisé se dirige vers un point de bascule. Selon l’étude, la méthode se distingue des modèles météo d’IA classiques parce qu’elle est conçue pour prendre en compte des systèmes dont le comportement change avec le temps, au lieu de supposer que l’avenir ressemblera au passé.
Anima Anandkumar, de Caltech, autrice principale de l’article, explique qu’un point de bascule est un moment où un système ne revient plus à son état initial. L’article soutient que cela importe parce que ces basculements peuvent être catastrophiques et, dans certains cas, irréversibles.
Quelle a été la précision de la prévision climatique?
Dans un scénario climatique simulé, les chercheurs ont examiné une disparition potentielle des nuages bas océaniques sous l’effet de la hausse du dioxyde de carbone. Le modèle a pu regarder à plus de deux ans avant le point de bascule dans les données simulées et estimer son calendrier avec une erreur d’environ 11 jours.
Le résultat climatique est important parce que la perte de couverture nuageuse basse accentuerait le réchauffement mondial. Mais les éléments de preuve se limitent à un modèle simplifié et à des données simulées, de sorte qu’il faut comprendre ce résultat comme une démonstration de faisabilité plutôt que comme une prévision directe du climat terrestre.
Pourquoi cette nouvelle approche d’IA compte-t-elle pour les systèmes instables?
Elle compte parce que de nombreux systèmes réels n’évoluent pas de façon lisse et stationnaire. Les chercheurs disent que l’opérateur neural récurrent intègre une forme de mémoire qui suit l’évolution de la physique, ce qui lui permet de détecter quand ses propres prédictions ne correspondent plus au comportement du système.
Ce signal d’alerte correspond au moment où un point de bascule peut être proche. L’article indique que cela pourrait être utile dans des domaines où un changement progressif des conditions produit une transition brutale, comme les systèmes climatiques, les épidémies biologiques ou l’écoulement autour des surfaces d’aéronefs.
Qui a participé à l’étude et comment a-t-elle été financée?
Aux côtés d’Anandkumar, les auteurs de Caltech incluent les anciens élèves Miguel Liu-Schiaffini et Sze Chai Leung, ainsi que la professeure d’aéronautique Jane Bae. Parmi les co-auteurs hors de Caltech figurent Clare E. Singer de CU Boulder et Nikola Kovachki ainsi que Kamyar Azizzadenesheli de NVIDIA.
L’article précise que le financement provenait du Mellon Mays Undergraduate Fellowship; d’Eric et Wendy Schmidt via le programme AI2050 Senior Fellow de Schmidt Sciences; de Charles Trimble, administrateur de Caltech; de l’Office of Naval Research; du Carver Mead New Adventures Fund; et du Center for Autonomous Systems and Technologies de Caltech. Le Pittsburgh Supercomputing Center, soutenu par la National Science Foundation, a fourni du temps de calcul pour les simulations d’aile.
Foire aux questions
Qu’est-ce qu’un point de bascule dans cette recherche?
Dans le cadre de l’étude, un point de bascule est un moment où un système franchit un seuil et ne peut plus revenir à son état précédent. L’article applique cette idée à la fois au comportement climatique et aux transitions de l’écoulement de l’air.
Quels usages futurs les auteurs évoquent-ils?
Les auteurs disent que la méthode pourrait s’appliquer aux sciences du climat, à l’écologie, à l’épidémiologie, à la conception aéronautique et à d’autres domaines où les systèmes peuvent changer brusquement après une période d’évolution graduelle.
