Défis en Intelligence Artificielle pour les Sciences Atmosphériques – AICAtS

Le projet AICAtS vise à faire progresser l’intégration de l’intelligence artificielle dans les sciences de l’atmosphère en abordant des défis majeurs d’apprentissage automatique qui limitent la modélisation fiable des phénomènes géophysiques complexes et en validant ces avancées sur des cas d’usage concrets. Ces cas d’usage incluent la prévision météorologique, l’estimation des précipitations et la prévision de la température de bulbe humide. Ils couvrent une variété de situations représentatives nécessitant le développement de nouveaux cadres et méthodologies en IA. Sur le plan méthodologique en IA, le projet se concentrera sur trois défis clés, essentiels au développement de solutions d’apprentissage automatique pour ces cas d’usage et, plus largement, pour la modélisation atmosphérique : modélisation de la stochasticité des processus physiques via des modèles probabilistes génératifs ; généralisation et extrapolation à diverses situations physiques en contexte d’apprentissage avec peu de données ; quantification des incertitudes pour les modèles physiques basés sur les données.

Le consortium rassemble des partenaires aux expertises hautement complémentaires : INRIA-ARCHES (ML et climat), ISIR (apprentissage profond pour la physique) et LATMOS (sciences de l’atmosphère). Ces trois équipes ont une solide expérience en recherche multidisciplinaire à l’interface entre climat, environnement et apprentissage automatique. Un des atouts majeurs de cette collaboration réside dans la synergie entre l’IA et les sciences atmosphériques, permettant le développement de modèles d’apprentissage automatique plus avancés et fondés sur des principes physiques.

Le projet a un fort impact environnemental. Son importance s’étend à des secteurs critiques tels que l’agriculture, l’énergie et la gestion des catastrophes, où des prévisions améliorées des précipitations et de la température de bulbe humide peuvent optimiser la prise de décision et les stratégies d’atténuation des risques. Le projet fera appel aux très grandes infrastructures de recherche notament sur le calculateur Jean Zay.