Climat : le MIT fiabilise les émulateurs d’IA avec des scénarios d’émissions irréalistes

Pour décider d’une politique climatique, il faut pouvoir répondre vite à des questions du type : que se passe-t-il si l’on réduit fortement le méthane dans dix ans, mais que le CO2 continue d’augmenter ? Les grands modèles du climat savent y répondre, mais au prix de mois de calcul. Des chercheurs du MIT proposent une méthode pour produire plus rapidement des émulateurs climatiques fiables, ces modèles d’IA ultrarapides qui imitent les grands modèles. Leurs travaux reposent sur une idée contre-intuitive : entraîner ces IA avec des scénarios d’émissions qui ne ressemblent à aucun futur réaliste.

Qu’est-ce qu’un émulateur climatique ?

Pour projeter l’évolution des températures ou des précipitations, les climatologues utilisent des modèles du système Terre. Ces logiciels gigantesques décrivent en détail l’atmosphère, les océans, les glaces et leurs interactions, en s’appuyant sur les lois de la physique. Leur puissance a un coût : selon le MIT, ils peuvent mobiliser une grappe de supercalculateurs pendant des mois, et ce pour un seul scénario d’avenir.

Les émulateurs sont des modèles d’IA entraînés à reproduire le comportement de ces grands modèles. Une fois prêts, ils tournent en quelques secondes, ce qui permet de tester des milliers de scénarios, d’estimer les incertitudes et de repérer des effets inattendus d’une politique régionale.

Cette équipe du MIT, dirigée par Noelle Selin, avait déjà montré en 2025 que des modèles physiques simples pouvaient surpasser l’apprentissage profond pour certaines prévisions climatiques. Elle s’attaque cette fois au carburant de ces outils : les données d’entraînement.

Le problème : des données coûteuses et trop sages

D’ordinaire, un émulateur est entraîné sur six à huit scénarios d’avenir, fondés sur des trajectoires d’émissions réalistes. Chacun doit être calculé par un modèle du système Terre complet, ce qui rend ces jeux de données coûteux et longs à produire.

Les chercheurs du MIT ont constaté un second défaut : entraînés sur ces seuls scénarios réalistes, les émulateurs peuvent échouer face à des situations inédites. Or l’avenir réserve justement des combinaisons d’émissions jamais observées, et ce sont souvent celles que les décideurs veulent explorer.

La solution : des scénarios « bizarres » mais instructifs

L’équipe a développé un algorithme qui fabrique un jeu de données synthétique, optimisé pour améliorer les prédictions d’un émulateur donné. La démarche se déroule en plusieurs étapes :

1. un premier scénario arbitraire est généré avec un modèle climatique simple et rapide ;
2. on mesure à quel point l’émulateur parvient à reproduire les résultats du modèle de référence ;
3. l’algorithme modifie le scénario pour réduire cette erreur, par exemple en faisant bondir les émissions de CO2 en 2050 ou chuter celles de méthane en 2037 ;
4. l’opération est répétée jusqu’à ce que l’erreur passe sous un seuil fixé.

Résultat : au lieu de courbes d’émissions lisses, les scénarios obtenus présentent de brusques variations. « En introduisant ces oscillations rapides, nos données permettent à l’émulateur d’extraire beaucoup plus d’informations sur l’ensemble du système », explique Christopher Womack, auteur principal de l’étude, désormais chercheur postdoctoral à l’ETH Zurich. « Notre algorithme peut générer des scénarios étranges qui ne ressemblent en rien à un avenir réaliste, mais peu importe : nous cherchons simplement le meilleur jeu de données possible pour entraîner un émulateur. »

Autre avantage majeur : au lieu de faire tourner un modèle du système Terre six ou huit fois, une seule simulation complète suffit.

Des prédictions plus fiables sur des cas inédits

Selon le MIT, l’émulateur entraîné avec cette méthode, à partir d’une quantité de données bien plus faible, prédit correctement des scénarios qu’il n’a jamais vus, là où les émulateurs traditionnels testés n’ont pas su s’adapter.

Exemple parlant : il parvient à capturer les effets d’une politique locale de réduction d’un polluant, tandis que d’autres émissions continuent d’augmenter. Les émulateurs classiques évalués par l’équipe ont échoué à ce test. Or c’est précisément ce type de question, ciblée et nuancée, que se posent les décideurs publics.

« À l’avenir, nous verrons forcément des climats et des scénarios que nous n’avons jamais vus. Si nous pouvons les simuler de manière plus robuste, nous pourrons fournir des informations plus fiables à ceux qui en ont besoin », souligne Noelle Selin, professeure au MIT et autrice principale de l’étude.

Pourquoi c’est important pour les décisions climatiques

Le gain de temps a une conséquence très concrète. Selon Noelle Selin, l’entraînement d’un émulateur peut prendre des mois, voire des années, si bien que les outils disponibles sont souvent dépassés au moment où on les utilise. Raccourcir cette étape permettrait de mettre plus vite à jour les outils entre les mains des chercheurs et des praticiens.

Un émulateur fiable change aussi la manière de travailler : plutôt que de choisir à l’avance quelques scénarios à calculer, les chercheurs peuvent en explorer des milliers, repérer ceux qui produisent des effets surprenants, puis réserver les coûteuses simulations complètes aux cas les plus intéressants. Les applications sont nombreuses : anticiper les besoins des réseaux électriques, protéger la santé publique lors des vagues de chaleur, adapter les cultures agricoles ou évaluer l’effet d’une réglementation sur un polluant précis.

Une équipe entre climatologie et informatique

L’étude réunit des spécialistes de plusieurs disciplines. Outre Christopher Womack et Noelle Selin, professeure à l’Institut des données, des systèmes et de la société (IDSS) et au département des sciences de la Terre, de l’atmosphère et des planètes (EAPS) du MIT, elle associe des chercheurs du Centre pour la science et la stratégie de la durabilité du MIT, un océanographe et un professeur de l’Imperial College London.

Ce croisement des compétences est caractéristique de la recherche actuelle sur le climat et l’IA : il faut à la fois comprendre la physique du système climatique, maîtriser les techniques d’optimisation et savoir évaluer la fiabilité d’un modèle face à des situations imprévues. La thèse de Christopher Womack, soutenue au MIT en 2026, défend déjà l’idée que les données d’entraînement sont l’un des principaux freins à la qualité des émulateurs.

Les limites et les prochaines étapes

Les chercheurs restent prudents sur la portée de leurs résultats. Dans cette étude, le scénario de départ a été produit par un modèle climatique simple ; l’équipe veut désormais tester la méthode avec un scénario issu d’un modèle du système Terre complet. Elle souhaite aussi l’appliquer à d’autres types de modèles climatiques, et explorer son intérêt pour d’autres domaines de l’apprentissage automatique, comme la vision par ordinateur.

Le projet s’inscrit dans le programme Bringing Computation to the Climate Challenge (BC3), soutenu par Schmidt Sciences dans le cadre des Grands défis climatiques du MIT. Si la méthode tient ses promesses à plus grande échelle, elle pourrait accélérer la production d’outils capables d’éclairer, en quelques secondes, des choix de politique climatique qui demandaient jusqu’ici des mois de calcul.