Des chercheurs du MIT ont développé une technique d'entraînement destinée aux émulateurs climatiques, des modèles d'intelligence artificielle qui reproduisent rapidement le comportement de modèles du système terrestre. Selon l'étude publiée cette semaine dans les Proceedings of the National Academy of Sciences, un émulateur entraîné avec une quantité bien plus faible de données synthétiques sélectionnées prédit correctement des scénarios non vus pendant l'entraînement, alors que les émulateurs classiques échouent à s'adapter.

L'algorithme génère des scénarios climatiques synthétiques optimisés pour améliorer la performance prédictive, avec des variations rapides des émissions. Il ne nécessiterait qu'une seule exécution d'un modèle complet, contre six à huit habituellement pour constituer les données d'entraînement. Les chercheurs prévoient de tester la méthode avec un scénario généré par un modèle complet du système terrestre et de l'appliquer à d'autres types de modèles climatiques.

Les travaux s'inscrivent dans le projet Bringing Computation to the Climate Challenge et ont été soutenus par Schmidt Sciences via MIT Grand Challenges. L'illustration de couverture est contextuelle et ne montre pas cette expérience.