Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models

Cet article soutient que les émulateurs climatiques pilotés par les données échouent souvent à capturer les réponses forcées causales en raison de représentations et de paramétrages macroscopiques inadéquats, préconisant plutôt des modèles stochastiques d'ordre réduit sur mesure, guidés par la théorie de la réponse linéaire, afin de mieux résoudre la dynamique multi-échelle et de permettre des études causales.

L'essentiel

Imaginez le climat de la Terre comme un orchestre géant et chaotique. Il possède des milliers d'instruments jouant simultanément, des grondements profonds et lents des courants océaniques aux pépiements rapides et aigus de la météo quotidienne. Depuis des décennies, les scientifiques tentent de construire un « jumeau numérique » de cet orchestre en utilisant l'intelligence artificielle (IA) pour prédire comment il sonnera dans le futur.

Cet article, écrit par Fabrizio Falasca, pose une question cruciale : le simple fait qu'une IA puisse imiter parfaitement le son actuel de l'orchestre signifie-t-il qu'elle comprend réellement comment la musique changera si nous modifions soudainement le tempo du chef d'orchestre ?

Voici une décomposition des conclusions de l'article en utilisant des analogies simples.

1. Le problème : Le « imitateur parfait » vs la « véritable compréhension »

Les modèles climatiques d'IA actuels sont comme des perroquets incroyablement talentueux. Si vous jouez un enregistrement du climat, ils peuvent répéter les sons (les statistiques) presque parfaitement. Ils peuvent vous dire quelle est la température moyenne ou quelle quantité de pluie tombe habituellement.

Cependant, l'article soutient que ces « perroquets » échouent souvent lorsqu'on leur pose une question de type « et si ». Si vous dites à l'IA : « Que se passe-t-il si l'océan se réchauffe selon un motif spécifique ? », l'IA pourrait donner une mauvaise réponse. Elle imite le passé mais ne comprend pas les causes. En termes scientifiques, elle capture les « statistiques stationnaires » (l'état moyen) mais échoue à saisir les « réponses forcées » (la façon dont le système réagit au changement).

2. Le test : L'instrument à trois cordes

Pour le prouver, les auteurs n'ont pas commencé par la Terre, massive et complexe. À la place, ils ont construit un « instrument » minuscule et simplifié de trois cordes (variables) qui imite la physique du climat réel.

• La configuration : Ils ont laissé cet instrument jouer pendant très longtemps afin que l'IA puisse apprendre sa chanson.
• Le test : Ils ont ensuite donné un petit « coup » (une perturbation) à l'instrument et ont demandé à l'IA de prédire comment le son changerait.

Les résultats :

• Le modèle linéaire (L'IA simple) : Ce modèle était comme un métronome basique. Il pouvait bien prédire le rythme moyen, mais si l'on tapait sur l'instrument, il ne pouvait pas prédire comment la sonorité (la variance) changerait. Il était trop rigide.
• Le modèle neuronal (L'IA intelligente) : Ce modèle était bien meilleur. Il pouvait prédire à la fois le rythme et les changements de sonorité. Il avait appris les « règles » de l'instrument suffisamment bien pour gérer le coup reçu.

Le bémol : Ce succès n'a été possible que parce que l'IA avait accès aux trois cordes. Elle voyait l'instrument dans son ensemble.

3. Le problème du monde réel : Le musicien « aveugle »

Dans le monde réel, nous sommes comme des musiciens aveugles. Nous ne pouvons pas voir l'ensemble du système climatique. Nous ne voyons que quelques « cordes » (comme la température de surface) tandis que le reste de l'orchestre (courants océaniques profonds, tourbillons atmosphériques minuscules) nous est caché.

L'article montre que lorsque l'IA ne voit qu'une seule corde :

• Elle peut toujours apprendre à imiter le son de cette corde unique.
• Mais, elle échoue souvent à prédire comment cette corde réagira à un coup.

Pourquoi ? Parce que les cordes cachées poussent et tirent sur celle que nous voyons. Si l'IA ne sait pas que ces cordes cachées existent, elle tente d'expliquer le mouvement en utilisant uniquement la corde visible, ce qui conduit à des prédictions erronées sur la cause et l'effet.

Pour corriger cela, les auteurs suggèrent deux choses :

1. Choisir la bonne corde : Vous devez choisir la corde « lente » (celle qui compte le plus) plutôt qu'une corde rapide et bruyante.
2. Ajouter un « bruit fantôme » : Puisque l'IA ne peut pas voir les cordes cachées, elle doit être informée que des « forces invisibles » poussent le système. Les auteurs ont découvert qu'ajouter un type spécifique de « bruit » (un caractère aléatoire qui change selon l'état actuel) aidait l'IA à bien mieux comprendre les forces cachées.

4. L'application au monde réel : L'« effet de motif »

Les auteurs ont appliqué ces leçons à un mystère climatique réel appelé l'« effet de motif » (Pattern Effect).

• Le mystère : Le bilan énergétique de la Terre ne dépend pas seulement de combien l'océan se réchauffe, mais de où il se réchauffe. Réchauffer le Pacifique oriental pourrait rendre la Terre plus chaude, tandis que réchauffer le Pacifique occidental pourrait la refroidir.
• L'expérience : Ils ont construit un modèle d'IA spécialisé et simplifié qui ne regardait que les « motifs principaux » de la température de l'océan et de l'énergie quittant la Terre (flux radiatif).
• Le succès : En se concentrant sur la vue d'ensemble (le coarse-graining) et en ajoutant le bon « bruit fantôme », leur IA a réussi à recréer la physique complexe. Elle a pu prédire comment le bilan énergétique de la Terre changerait si l'océan se réchauffait selon des motifs spécifiques. Elle a même produit une carte montrant précisément où le réchauffement provoque un chauffage et où il provoque un refroidissement, correspondant à ce que disent les modèles de physique complexes.

5. La grande conclusion

L'article conclut que nous ne devrions pas simplement construire une IA « à usage général » qui tente d'apprendre tout sur le climat à la fois. Cette approche revient à essayer d'apprendre une symphonie en écoutant chaque instrument simultanément sans la partition du chef d'orchestre — c'est trop désordonné.

Au lieu de cela, nous devrions construire des modèles simplifiés spécialisés (modèles d'ordre réduit) qui :

1. Se concentrent sur la question spécifique que nous voulons résoudre.
2. Utilisent le « coarse-graining » pour ignorer les détails minuscules et rapides afin de se concentrer sur les grands motifs lents.
3. Utilisent des éléments « stochastiques » (aléatoires) pour rendre compte des parties invisibles du système que nous ne pouvons pas voir.

En procédant ainsi, et en testant ces modèles non pas seulement sur leur capacité à imiter le passé, mais sur leur capacité à prédire le futur lorsqu'ils sont « tapés », nous pouvons construire des outils climatiques qui comprennent véritablement la relation de cause à effet.

Résumé technique

Résumé Technique : Sondage des réponses forcées et de la causalité dans les émulateurs climatiques pilotés par les données

Énoncé du problème
Un défi central en sciences du climat et en mathématiques appliquées consiste à développer des modèles pilotés par les données pour les systèmes multi-échelles capables de capturer non seulement les statistiques stationnaires, mais aussi les réponses précises aux perturbations externes. Bien que les récents émulateurs climatiques neuronaux visent à résoudre toute la complexité des systèmes atmosphère-océan, ils peinent souvent à reproduire les réponses forcées, ce qui limite leur utilité pour les études causales telles que les expériences de fonction de Green. Une grande compétence dans la reproduction des statistiques stationnaires ne garantit pas une réponse précise dans les expériences de perturbation, ce qui entraîne des échecs de généralisation face à des scénarios de changement climatique hors distribution et à la capture des relations causales correctes entre les variables. Cet article étudie les limites conceptuelles de la modélisation purement pilotée par les données, particulièrement lorsqu'elle traite d'observations partielles de systèmes de haute dimension, et explore le rôle des modèles d'ordre réduit (ROM) et des paramétrisations stochastiques pour surmonter ces obstacles.

Méthodologie
L'étude procède en deux parties distinctes : une analyse théorique utilisant un système dynamique simplifié et une application au monde réel utilisant un modèle climatique couplé.

1. Cadre théorique (Modèle de Triade) :

   • Les auteurs utilisent un « modèle de triade » stochastique simplifié (Majda et al.) qui imite les non-linéarités quadratiques linéaires et conservatrices d'énergie des écoulements géophysiques, présentant une séparation claire entre les échelles de temps lentes et rapides.
   • Scénarios : Deux scénarios de modélisation sont testés : (i) équations inconnues avec un vecteur d'état entièrement observé, et (ii) équations inconnues avec un vecteur d'état partiellement observé (un scalaire unique).
   • Modèles : Les auteurs entraînent des émulateurs stochastiques neuronaux (utilisant des perceptrons multicouches pour la dérive non linéaire) et les comparent à des modèles inverses linéaires (LIM). Ils testent à la fois les formulations de bruit additif et multiplicatif (dépendant de l'état).
   • Métrique d'évaluation : Au lieu de se reposer uniquement sur les statistiques stationnaires (PDF, autocorrelations), les modèles sont évalués via la Théorie de la Réponse Linéaire. Plus précisément, la capacité à reproduire l'opérateur de réponse impulsionnelle est évaluée. Cela implique de mesurer la réponse de la moyenne et de la variance de l'ensemble aux petites perturbations impulsionnelles et à des forçages temporels spécifiques.

2. Application au monde réel (Effet de Motif) :

   • Les auteurs développent un modèle neuronal stochastique d'ordre réduit pour étudier l'« effet de motif » (pattern effect) — le lien causal entre les motifs de réchauffement de la température de surface de la mer (SST) et les flux radiatifs au sommet de l'atmosphère (TOA).
   • Données et Coarse-Graining : En utilisant 600 ans de données de simulation de contrôle préindustrielle du modèle climatique couplé GFDL-CM4, les auteurs définissent un vecteur d'état moyenné (coarse-grained). Cela implique :
     • Un moyennage mensuel et la suppression du cycle saisonnier.
     • Un filtrage passe-haut pour supprimer les oscillations multidécennales.
     • La projection du champ de SST tropical sur les 20 premières fonctions empiriques orthogonales (EOF).
     • L'inclusion de la valeur moyenne globale du flux radiatif net TOA comme variable scalaire.
   • Formulation du modèle : L'émulateur suit une structure d'équation de Langevin : $dx = (Lx + n(x))dt + \Sigma(x)dW$, où la dérive est apprise via un réseau de neurones et la covariance du bruit $\Sigma(x)$ est modélisée par un bruit multiplicatif (dépendant de l'état), également appris via un réseau de neurones.
   • Validation : Le modèle est testé sur sa capacité à reconstruire les flux TOA à partir de trajectoires de SST forcées (expériences 1pctCO2 et 4xCO2) et à réaliser des expériences de type fonction de Green en appliquant des perturbations impulsionnelles aux modes de SST pour inférer des cartes de sensibilité causale.

Contributions clés et résultats

• Limites de l'observation complète : Dans le cas idéalisé où le vecteur d'état complet est observé, un émulateur stochastique neuronal peut reproduire avec succès à la fois les statistiques stationnaires et l'opérateur de réponse impulsionnelle (incluant les réponses de variance). Cependant, les modèles linéaires échouent totalement à capturer les réponses de variance.
• Le rôle critique de l'observation partielle : Lorsqu'un sous-ensemble de variables est observé (le scénario réaliste), le succès de l'émulateur dépend de deux facteurs critiques :
  1. Choix des variables : Identifier les « bonnes » variables lentes est une tâche non triviale et non unique. Modéliser directement les modes rapides conduit à l'échec.
  2. Paramétrisation stochastique : L'effet cumulatif des variables rapides non observées doit être paramétré. L'étude démontre que le bruit multiplicatif est essentiel pour capturer la distribution stationnaire correcte et, surtout, la réponse de la variance aux perturbations. Les modèles de bruit additif échouent à reproduire les réponses de variance significatives.
• Coarse-Graining et Markovianisation : L'article souligne qu'en l'absence d'une séparation claire des échelles, un coarse-graining approprié (par exemple, le moyennage temporel) est nécessaire pour supprimer les effets de mémoire et rendre le système d'ordre réduit effectivement Markovien.
• Succès dans le monde réel : L'émulateur neuronal d'ordre réduit reproduit avec succès les statistiques stationnaires du mode de SST dominant (ENSO) et le flux TOA moyen global. Il reconstruit avec précision les changements de flux TOA dans les scénarios forcés (1pctCO2 et 4xCO2).
• Inférence causale : En appliquant des perturbations impulsionnelles, le modèle infère une carte de sensibilité montrant un dipôle dans le Pacifique tropical (sensibilité négative à l'ouest, positive à l'est), cohérent avec les mécanismes physiques établis (feedbacks de nuages). Cela confirme que l'émulateur capture des mécanismes causaux physiquement cohérents.
• Limites identifiées : Le modèle ne capture pas entièrement la décroissance des autocorrelations (indiquant un comportement non-markovien résiduel) et la réponse de la variance est sensible à l'entraînement du terme de bruit multiplicatif, nécessitant plus de données que celles actuellement disponibles pour une haute précision.

Signification et revendications
L'article soutient que le domaine de l'émulation neuronale doit dépasser les émulateurs à usage général qui tentent de résoudre toutes les échelles. Au lieu de cela, il préconise des modèles d'ordre réduit spécifiques à une tâche qui exploitent les connaissances physiques préalables pour guider la sélection des variables et le coarse-graining.

• La Théorie de la Réponse comme cadre : Les auteurs proposent la Théorie de la Réponse Linéaire et l'opérateur de réponse impulsionnelle comme un cadre rigoureux pour évaluer les modèles pilotés par les données. Cette approche dépasse les métriques stationnaires (comme le $R^2$) pour sonder les mécanismes causaux et la réponse du système aux interventions externes.
• La stochasticité est essentielle : Pour les systèmes multi-échelles possédant des degrés de liberté non observés, les modèles déterministes sont insuffisants. L'inclusion d'un bruit dépendant de l'état (multiplicatif) n'est pas seulement un ajout ad hoc, mais une nécessité théoriquement justifiée pour capturer la distribution de probabilité correcte et ses réponses aux perturbations.
• Compréhension causale : L'étude démontre que des émulateurs neuronaux d'ordre réduit soigneusement construits peuvent réaliser des milliers d'expériences de perturbation (études de fonction de Green) qui sont informatiquement trop coûteuses pour les modèles climatiques complets, faisant ainsi progresser l'inférence causale et l'analyse d'attribution en sciences du climat.

L'article conclut que bien que la modélisation pilotée par les données soit confrontée à des contraintes fondamentales dans les contextes d'observation partielle, la combinaison des stratégies établies de modélisation d'ordre réduit avec des architectures neuronales flexibles et la théorie de la réponse offre une voie structurée pour comprendre et prédire la dynamique climatique.