Simuler les canicules à plus fort impact avec l’IA
Des chercheurs du Laboratoire de météorologie dynamique (ENS-PSL/CNRS/IPSL), en collaboration avec des équipes de l’Université de Chicago et du Courant Institute (NYU) ainsi que le Réseau de Transport d’Électricité (RTE), publient dans Physical Review Letters une nouvelle méthode qui résout à la fois le problème de la rareté et celui du coût de calcul. Cette méthodologie inédite, appelée AI+RES, combine une approche basée sur l’IA avec un retour aux modèles physiques grâce à des algorithmes d’événements rares (RES).
Les canicules sont les événements climatiques aux impacts sociétaux les plus importants, pouvant atteindre des centaines de milliers de morts pour les plus rares, et pour lesquels l’adaptation reste particulièrement difficile. Ce sont précisément ces événements extrêmes qui ont les conséquences les plus graves, mais ils ne peuvent pas être étudiés, car les modèles climatiques demandent un temps de calcul prohibitif.
La composante IA repose sur un émulateur de modèle climatique, une approximation à faible coût de calcul qui estime rapidement les trajectoires atmosphériques d’intérêt. Cet émulateur guide le vrai modèle climatique en sélectionnant les trajectoires conduisant aux événements rares recherchés, rendant la méthode efficace pour un ensemble d’événements qui ne pouvait pas être étudié auparavant. Appliquée à des vagues de chaleur extrêmes, AI+RES permet d’en obtenir des statistiques fiables avec un gain de calcul d’un facteur cent par rapport aux simulations conventionnelles, là où les approches standard échouent à produire le moindre exemple.
Schéma de la méthode AI+RES. Un émulateur météorologique basé sur l’IA est entrainé à partir de 100 ans de données du modèle de circulation générale PlaSim, puis utilisé pour guider un algorithme d’échantillonnage des événements rares (RES). Cela permet à la fois de générer un vaste catalogue d’événements extrêmes à partir de simulations basées sur la physique (cartes) et de calculer des probabilités non biaisées pour ces événements rares (courbes) à un coût bien inférieur à celui de la simulation directe (DS) avec le modèle physique. D. R.
Schéma de la méthode AI+RES. Un émulateur météorologique basé sur l’IA est entrainé à partir de 100 ans de données du modèle de circulation générale PlaSim, puis utilisé pour guider un algorithme d’échantillonnage des événements rares (RES). Cela permet à la fois de générer un vaste catalogue d’événements extrêmes à partir de simulations basées sur la physique (cartes) et de calculer des probabilités non biaisées pour ces événements rares (courbes) à un coût bien inférieur à celui de la simulation directe (DS) avec le modèle physique. D. R.
Ce résultat ouvre la voie à l’étude d’un large spectre d’événements rares aux impacts déstabilisateurs : canicules, sécheresses, minima de production d’énergie renouvelable et maxima de demande électrique, avec des applications directes pour la résilience du système électrique. La méthode est suffisamment générale pour s’étendre au-delà des sciences du climat, à tout système complexe où une combinaison d’IA et de physique s’avère nécessaire.
Pour en savoir plus
Physical Review Letters a distingué ce travail comme Suggestion de l’Editeur, pour cette publication à paraitre en juillet 2026.
Lien arXiv : https://arxiv.org/abs/2510.27066
Références
AI-boosted rare event sampling to characterize extreme weather. Amaury Lancelin, Alexander Wikner, Laurent Dubus, Clément Le Priol, Dorian S. Abbot, Freddy Bouchet, Pedram Hassanzadeh, and Jonathan Weare. Physical Review Letters, 2026 DOI: https://doi.org/10.1103/b1gc-9c2q
