💻 computer science

Samudra 2: Scaling Ocean Emulators across Resolutions

Samudra 2 est un émulateur océanique neuronal autorégressif avancé qui surmonte les limitations précédentes de résolution et de stabilité à long terme grâce à des innovations architecturales et de fonctions de perte, permettant des simulations mondiales de haute fidélité sur plusieurs années avec une résolution allant jusqu'à $1/4^\circ$ sur un seul GPU.

Auteurs originaux : Yuan Yuan, Jesse Rusak, Alexander Merose, Adam Subel, Pavel Perezhogin, Alistair Adcroft, Carlos Fernandez-Granda, Laure Zanna

Publié 2026-06-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yuan Yuan, Jesse Rusak, Alexander Merose, Adam Subel, Pavel Perezhogin, Alistair Adcroft, Carlos Fernandez-Granda, Laure Zanna

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez les océans de la Terre comme une danse géante, chaotique et incroyablement complexe. Les scientifiques utilisent de massifs programmes informatiques appelés « Modèles de Circulation Générale de l'Océan » (OGCM) pour tenter de prédire comment cette danse se déplace sur des décennies ou des siècles. Ces programmes sont comme des films en haute définition extrêmement précis, mais ils sont si coûteux en calcul qu'ils nécessitent des millions d'heures de temps informatique pour être exécutés. Cela signifie que les scientifiques ne peuvent réaliser que quelques « films » pour étudier différents scénarios climatiques, ce qui limite leur capacité à comprendre l'image complète du changement climatique.

Entrez en scène Samudra 2, un nouvel outil d'intelligence artificielle (IA) conçu pour être un « substitut rapide » de ces programmes informatiques massifs. Considérez-le comme un acteur d'improvisation hautement qualifié qui a regardé le film original des milliers de fois et peut désormais recréer les scènes en une fraction du temps, en tournant sur une seule carte graphique (comme celles des ordinateurs de jeu), au lieu d'un supercalculateur.

Voici comment l'article explique les améliorations apportées par Samudra 2 :

Le problème avec la première version (Samudra)

L'émulateur d'IA original, Samudra, était une avancée majeure car il pouvait exécuter des simulations sur des décennies. Cependant, il présentait deux « bugs » majeurs qui rendaient les films à long terme incorrects :

L'effet « Film ennuyeux » (Effondrement de la variance) : Avec le temps, l'IA est devenue paresseuse. Au lieu de montrer les vagues et les courants sauvages et chaotiques qui existent réellement, elle a commencé à prédire que l'océan allait simplement se stabiliser dans un état moyen et calme. Elle a perdu « l'étincelle » et l'excitation de l'océan réel.
L'effet de « Fantôme » (Artefacts d'empreinte) : L'IA s'est emmêlée les pinceaux entre les différentes parties de l'océan. Elle a commencé à copier les motifs des courants de surface (comme le Gulf Stream) et à les apposer sur le fond de l'océan, profond et sombre, là où ils n'ont pas leur place. C'était comme si un projecteur projetait accidentellement l'image d'une rue animée sur le mur d'une chambre calme. Cela a créé des motifs et du bruit artificiels dans les données de l'océan profond.

De plus, le Samudra original ne pouvait voir l'océan qu'en « basse résolution » (1 degré), ce qui était trop flou pour voir les tourbillons de petite échelle appelés « eddies ».

La mise à jour Samudra 2

Les chercheurs ont corrigé ces problèmes grâce à deux mises à niveau principales :

1. Un cerveau plus grand et plus intelligent (Architecture plus large)
Ils ont rendu le « cerveau » de l'IA plus large et plus capable. Imaginez passer d'un petit carnet de croquis à une immense toile haute définition. Cette nouvelle conception permet à l'IA de voir des détails beaucoup plus fins.

Le résultat : Ils ont réussi à faire passer l'IA à des résolutions de 1/2 degré et 1/4 de degré. À cette résolution plus élevée, l'IA peut enfin « voir » les petits tourbillons (eddies) et les courants rapides et tranchants le long des côtes des continents (comme le Gulf Stream) qui étaient auparavant invisibles. C'est comme passer d'un jeu vidéo pixelisé des années 1990 à un film en 4K net.

2. Un professeur plus intelligent (Fonction de perte dynamique)
En apprentissage automatique, la « fonction de perte » est le professeur qui corrige les devoirs de l'IA. L'ancien professeur traitait chaque partie de l'océan de la même manière. Comme la surface de l'océan est très active et que l'océan profond est très calme, le professeur accordait trop d'attention à la surface et ignorait l'océan profond.

La correction : La nouvelle « Perte Dynamique » est un professeur qui prête une attention particulière aux parties où l'IA se trompe. Si l'IA fait un excellent travail en surface mais échoue dans l'océan profond, le professeur dit : « Hé, concentre-toi sur l'océan profond ! ». Il rééquilibre constamment la notation pour s'assurer que l'océan profond, calme et lent, reçoit l'attention nécessaire.
Le résultat : Cela a stoppé l'effet de « Fantôme ». Les prédictions de l'océan profond sont devenues beaucoup plus propres, et les motifs artificiels ont disparu. L'erreur dans les prédictions de température de l'océan profond a chuté d'environ sept fois.

À quel point cela fonctionne-t-il ?

L'équipe a testé Samudra 2 en le laissant exécuter une simulation d'environ 8 ans sur une seule puce informatique. Ils ont comparé son « film » au véritable modèle haute fidélité (OM4).

Température : Il s'est beaucoup amélioré pour prédire la température de la partie supérieure de l'océan (les 700 premiers mètres), augmentant considérablement son score de précision.
Océan profond : Bien qu'il ait encore du mal à prédire parfaitement l'océan profond (ce qui est incroyablement difficile car les changements y sont minuscules), il a réduit les erreurs de manière drastique par rapport à l'ancienne version.
Vitesse : Parce qu'il tourne très rapidement, les scientifiques peuvent désormais exécuter des centaines ou des milliers de ces simulations (ensembles) pour mieux comprendre l'incertitude des prédictions climatiques, une tâche qui était auparavant trop coûteuse.

L'essentiel

Samudra 2 est un émulateur d'océan par IA plus rapide, plus net et plus stable. Il corrige les erreurs « ennuyeuses » et « fantomatiques » de son prédécesseur et peut désormais voir l'océan en haute définition, capturant les petits tourbillons et courants qui comptent pour la science du climat. Bien qu'il ait encore du travail à faire pour les parties les plus profondes de l'océan, il ouvre la porte aux scientifiques pour réaliser des expériences climatiques détaillées et massives qui étaient auparavant impossibles en raison du coût et du temps.

Résumé technique : Samudra 2 : Mise à l'échelle des émulateurs océaniques à travers différentes résolutions

Énoncé du problème

Les modèles de circulation générale de l'océan (OGCM) sont fondamentaux pour la science du climat afin de simuler le transport de la chaleur, du sel, du carbone et de la quantité de mouvement. Cependant, leur coût computationnel limite sévèrement la possibilité d'exécuter de grands ensembles ou d'explorer divers scénarios de forçage, particulièrement lorsqu'une haute résolution spatiale est requise pour résoudre les tourbillons de mésoéchelle et les structures frontales abruptes. Bien que les émulateurs neuronaux offrent un potentiel d'accélération, les émulateurs océaniques existants ont peiné à combiner une résolution spatiale fine avec une stabilité dynamique à long terme.

Les auteurs identifient trois modes de défaillance spécifiques dans leur prédécesseur, Samudra, qui était limité à une résolution de $1^\circ$ :

Effondrement de la variance : L'accumulation d'erreurs autorégressives provoque une régression des prédictions vers la moyenne climatologique, supprimant la variabilité temporelle, particulièrement dans l'océan profond.
Imprégnation d'artefacts : Les motifs spatiaux issus des champs de vitesse « fuient » dans les champs de température et de salinité, créant des bandes non physiques et un bruit à haute fréquence qui s'amplifie sur des déploiements multi-annuels.
Limitation de résolution : L'incapacité à opérer à des résolutions plus fines que $1^\circ$ empêche l'émulation des tourbillons de mésoéchelle et des structures de courants de bord ouest, qui sont critiques pour la variabilité climatique.

Méthodologie

Samudra 2 répond à ces défis par deux modifications complémentaires de l'architecture et de l'entraînement, appliquées à une structure U-Net basée sur des blocs de type ConvNeXt modifiés.

1. Mise à l'échelle architecturale

Pour supporter des résolutions plus élevées ( $1/2^\circ$ et $1/4^\circ$ ), les auteurs ont élargi l'architecture U-Net plutôt que de l'approfondir.

Largeur des canaux : Les largeurs de canaux à travers les étapes de l'encodeur-décodeur ont été augmentées de $[200, 250, 300, 400]$ à $[280, 380, 480, 520]$ .
Facteur d'expansion : Le facteur d'expansion interne au sein des blocs ConvNeXt modifiés a été réduit de 4 à 2. Cette conception déplace la capacité des paramètres du goulot d'étranglement interne du bloc vers les dimensions de caractéristiques inter-étapes, équilibrant la capacité de représentation et le coût computationnel.

2. Fonction de perte dynamique

Pour traiter l'effondrement de la variance et l'imprégnation, les auteurs ont remplacé la perte d'erreur quadratique moyenne (MSE) standard par une perte dynamique pondérée par canal.

Mécanisme : La MSE standard est dominée par les champs de surface à haute variance, ce qui pousse l'optimiseur à négliger les signaux de l'océan profond à évolution lente. La nouvelle fonction de perte repondère chaque canal de manière inversement proportionnelle à son erreur de prédiction courante.
Implémentation : Les poids sont mis à jour en ligne à l'aide d'une moyenne mobile exponentielle (EMA) de l'inverse de la MSE par canal. Cela amplifie de manière adaptative le signal de gradient pour les canaux présentant de petites erreurs (typiquement les champs de l'océan profond) tout en empêchant les canaux de haute variance de la surface de dominer la perte.
Écrêtage : Les poids sont limités par un ratio (fixé à $L=20$ ) pour éviter une amplification excessive des canaux ayant un signal apprenable négligeable.

Configuration de l'entraînement et de l'évaluation

Données : Les modèles sont entraînés sur les sorties du modèle océanique GFDL OM4p25 ( $1/4^\circ$ natif), remaillés à $1^\circ$ , $1/2^\circ$ et $1/4^\circ$ .
Variables : L'émulateur prédit 77 canaux (température potentielle, salinité, vitesse zonale/méridienne à 19 niveaux de profondeur, et hauteur de la surface de la mer) pilotés par un forçage atmosphérique.
Déploiements (Rollouts) : L'entraînement utilise des déploiements autorégressifs courts ( $K=4$ étapes, 40 jours). L'évaluation implique des déploiements autorégressifs à long horizon d'environ 8 ans (~580 étapes) sans rétroaction de la vérité terrain, évaluant des métriques telles que la variance temporelle, les distributions spectrales et les indices climatiques (ex. Niño 3.4).

Contributions clés

Modèle Samudra 2 : Un émulateur océanique par IA amélioré qui intègre un U-Net ConvNeXt plus large avec une perte pondérée par la variance dynamique. Il parvient à atténuer l'effondrement de la variance et les artefacts d'imprégnation lors de l'émulation autorégressive à long horizon.
Mise à l'échelle multi-résolution : La première démonstration de l'émulation océanique multi-annuelle aux résolutions $1/2^\circ$ et $1/4^\circ$ . Les modèles récupèrent les structures de mésoéchelle (tourbillons, méandres, filaments) et les courants de bord ouest abrupts qui ne sont pas résolus à $1^\circ$ .
Cadre de diagnostic : Une évaluation complète montrant que, bien qu'une précision à court terme soit nécessaire, les diagnostics climatiques à long horizon (variance, distribution spectrale) sont essentiels pour valider les émulateurs océaniques destinés aux projections climatiques.

Résultats

Performance à la résolution de $1^\circ$

Océan de surface : Le $R^2$ pour la température moyenne globale de l'océan de surface est passé de 0,56 (Samudra) à 0,87 (Samudra 2).
Océan profond : L'erreur de température dans l'océan profond a été réduite d'environ sept fois. Bien que les valeurs de $R^2$ restent négatives (indiquant une performance moins bonne que la référence de la moyenne temporelle), l'ampleur de l'erreur a été considérablement réduite (de $-111,36 $à$ -16,14$).
Imprégnation : L'analyse visuelle et statistique a confirmé la suppression des artefacts d'imprégnation de la vitesse dans les champs de température et de salinité de l'océan profond.

Performance multi-résolution ( $1/2^\circ$ et $1/4^\circ$ )

Fidélité spatiale : Les résolutions plus élevées résolvent progressivement des échelles spatiales plus fines. Le modèle $1/4^\circ$ capture les tourbillons de mésoéchelle et les points chauds des courants de bord ouest (Gulf Stream, Kuroshio, Agulhas) avec des structures de variance correspondant étroitement à la référence OM4.
Fidélité spectrale : Le modèle $1/4^\circ$ étend la plage de nombres d'ondes résolus d'un facteur quatre par rapport au modèle $1^\circ$ , accédant à une dynamique de mésoéchelle absente des grilles plus grossières.
Suivi temporel : Toutes les résolutions suivent bien la variabilité de l'océan de surface ( $R^2 = 0,84–0,92$ ). La performance en profondeur intermédiaire s'améliore avec la résolution (ex. le $R^2$ à $1/4^\circ$ approche 0,01), bien que le suivi de l'océan profond ( $2000–7000$ m) reste un défi ouvert avec des $R^2$ négatifs pour toutes les résolutions.

Études d'ablation

Les expériences d'ablation à $1^\circ$ ont révélé une forte interaction synergique entre les deux modifications :

Architecture plus large seule : N'améliore pas la performance de l'océan de surface ( $R^2 = 0,50$ ) et dégrade la salinité de profondeur intermédiaire.
Perte dynamique seule : N'améliore pas la performance de l'océan de surface ( $R^2 = 0,51$ ) mais est le principal moteur de la réduction de l'erreur de l'océan profond.
Combiné (Samudra 2) : Atteint un $R^2 = 0,87$ dans l'océan de surface, démontrant que l'architecture plus large fournit la capacité nécessaire pour que la perte dynamique fonctionne efficacement.

Signification et affirmations

L'article affirme que Samudra 2 permet de réaliser des ensembles plus larges pour les projections du niveau de la mer, les études de l'absorption de la chaleur océanique et l'analyse de la variabilité climatique en s'exécutant sur un seul GPU. En résolvant les caractéristiques de mésoéchelle à $1/4^\circ$ , l'émulateur offre une alternative traitable pour l'étude des processus dépendants de la dynamique des tourbillons.

Les auteurs adoptent une position modeste concernant la fidélité de l'océan profond, reconnaissant que les prédictions en dessous de $\sim700$ m restent un défi ouvert en raison de signaux d'entraînement extrêmement faibles et de la dominance de la variance de fond. Ils positionnent Samudra 2 comme une étape importante qui traite des modes de défaillance spécifiques à long horizon (effondrement de la variance, imprégnation) et passe à l'échelle vers des résolutions plus élevées, tout en notant que les simulations basées sur la physique restent la référence la plus fiable pour la variabilité de l'océan profond. Le travail est présenté comme une contribution à une classe plus large de problèmes de ML autorégressifs à long horizon, traitant de questions telles que le biais spectral et le déséquilibre de perte entre les variables.