Bridging geohysics and MachinE Learning for the modeling, simulation and reconstruction of Ocean DYnamics – MeLODy

Le projet structure autour de trois objectifs méthodologiques spécifiques correspondant chacun à une tâche :
L’apprentissage de représentations « physiquement-informées » de dynamiques géophysiques (Tâche T1) ;
Les formulations d’apprentissage adaptées à la représentation des extrêmes géophysiques (Tâche T2) ;
L’apprentissage d’algorithmes et représentations pour la résolution de problèmes d’assimilation de données (Tâche T3).
De manière transversale, nous avons pour objectif de réaliser des démonstrations des différentes contributions méthodologiques issues du projet au-delà de modèles théoriques simplifiées sur des cas d’étude associés à la modélisation et l’observation des dynamiques superficielles de l’océan en particulier en lien avec la mission satellitaire CNES-NASA SWOT (Surface Water and Ocean Topography).

Nous résumons ci-dessous brièvement les principaux résultats obtenus pour chaque tâche. Les résultats pour la tâche T1 (How to learn physically-sound representations of geophysical flows ?) comprennent notamment : Le développement d’un cadre générique d’apprentissage de représentations latentes augmentées de processus dynamiques partiellement observés. Ce cadre [Ouala et al., 2020] est associé à une formulation variationnelle et peut être vue comme une mise en œuvre de décomposition de type Koopman dans le cas de représentations linéarisées; Le développement de représentations apprises pour améliorer la simulation issue d’un modèle physique connu. Ces aspects incluent à la fois l’apprentissage de terme de fermeture sous-maille [Ferzat et al., 2020] et de termes de modélisation correctifs [de Yin et al., 2021]; L’apprentissage de schémas numériques de type Runge-Kutta pour l’intégration temporelle d’équations différentielles. Cet apprentissage peut être réalisé conjointement à l’identification de l’équation différentielle décrivant le processus étudié [Ouala et al., 2021].

Les développements concernant la tâche T2 (Which learning paradigms for the representation of geophysical extremes ?) portent à la fois : sur la définition de métriques et fonctions de score pour évaluer la capacité d’une méthode particulière à représenter des extrêmes d’une distribution. De premiers résultats théoriques s’appuient sur des critères de type Kullback-Leibler [Naveau et al., ] et explorent leur extension pour des processus spatio-temporels ; sur l’apprentissage de représentations pertinentes pour la prédiction ou simulation de valeurs extrêmes. Nous avons défini une formulation théorique du problème posé en exploitant un cadre de type problème inverse développé par la Tâche T3 (cf. ci-dessous).

Les développements concernant la tâche T3 (How to learn computationally-efficient representations and algorithms for data assimilation ?) conduisent notamment aux premiers résultats suivants : La proposition de cadres génériques dits ‘end-to-end’ permettant de formuler l’apprentissage de tout ou partie d’un système d’assimilation (i.e., modèles dynamiques, modèles d’observation, solveur). Les approches proposées explorent à la fois des formulations de type assimilation variationnelle [Fablet et al., 2020] et des formulations de type Kalman [Ouala et al., 2021] ; La mise en évidence sur des modèles théoriques de la pertinence d’un apprentissage conjoint de la représentation du système dynamique et du solveur du problème d’assimilation [Fablet et al., 2021]

Les développements initiés dans la Tâche T4 (Evaluaion and Demonstraion Sandbox on Upper Ocean Dynamics) concernent :
La définition de cas d’étude d’application et évaluation des méthodes développées dans les tâches T1-3. Nous nous sommes notamment focalisés sur la définition de cas d’étude en lien avec la nouvelle mission satellitaire SWOT pour des problématiques de reconstruction des dynamiques de surface de l’océan.

Nous envisageons des perspectives dans le cadre du développement des jumeaux numériques de l'océan.

Les contributions scientifiques du projet ont conduit à plus de 20 communications (eg, IEEE ICASSP, ICLR, IEEE IGARSS, Clim. Inf.) et articles scientifiques (eg, JAMES, RS, GMD, AAS).

Comprendre, modéliser, prévoir et reconstruire des processus aux petites comme aux grandes échelles ainsi que les interactions d’échelle associées font partie des principaux défis scientifiques du domaine océan-atmosphère. L'intelligence artificielle (IA) ouvre de nouveaux paradigmes pour étudier les processus mal résolus ou mal observés à partir de l'exploration approfondie des masses de données d'observation et de simulation disponibles. Dans ce contexte, ce projet de recherche vise à établir un lien entre les paradigmes physiques sous-jacents aux sciences de la terre et les méthodes et stratégies de de l’intelligence artificielle pour développer de nouvelles approches d’identification à partir de données de représentations des dynamiques géophysiques. Ces représentations traiteront pleinement les caractéristiques-clé de ces dynamiques (e.g., dynamiques chaotiques, extrêmes, grande dimension). Nous abordons spécifiquement trois questions méthodologiques génériques: (i) Comment apprendre des représentations des dynamiques géophysiques consistentes d’un point de vue physique ? (ii) Quels paradigmes d'apprentissage pour la représentation des extrêmes géophysiques? (iii) comment apprendre des représentations et des algorithmes efficaces pour l'assimilation de données?. Les dynamiques superficielles de l’océan constitueront le domaine d’application idéal pour évaluer et démontrer la pertinence de ces paradigmes basés sur l’apprentissage pour combler les lacunes des modèles à représenter les données d’observation et les limites de leur échantillonnage spatio-temporel et améliorer la modélisation, prévision et reconstruction de dynamiques géophysiques aléatoires partiellement ou non observées. Pour mettre en œuvre ces objectifs, ce projet rassemble une expertise transdisciplinaire en méthodes numériques (INRIA GRA et Rennes), statistiques appliquées (IMT, LSCE), intelligence artificielle (IMT, LIP6) et en géophysique (IGE, INRIA GRA, LOPS), complétée par par la participation de deux PME (Ocean Data Lab et Ocean Next) pour anticiper la valeur ajoutée des technologies de l'IA dans les futures missions d'observation de la terre et les systèmes couplés observation-simulation.