Grâce aux progrès remarquables des technologies d’apprentissage profond, de nombreuses tentatives ont été entreprises pour concevoir des modèles climatiques fondés sur l’apprentissage profond. Alors que la plupart de ces approches reposent sur des réseaux de neurones récurrents et/ou des réseaux de neurones graphes, nous proposons un nouveau modèle climatique intégrant deux concepts innovants : l’équation différentielle ordinaire neuronale (NODE) et l’équation de diffusion. De nombreuses processus physiques impliquant un mouvement brownien de particules peuvent être décrits par l’équation de diffusion, ce qui explique son usage répandu dans la modélisation climatique. D’un autre côté, les équations différentielles ordinaires neuronales (NODE) visent à apprendre une équation gouvernante latente d’un système d’équations différentielles ordinaires à partir de données. Dans notre méthode, nous combinons ces deux approches dans un cadre unifié et introduisons un nouveau concept, appelé équation de diffusion neuronale (NDE). Notre modèle NDE, qui intègre à la fois l’équation de diffusion et un réseau de neurones supplémentaire destiné à modéliser l’incertitude intrinsèque, est capable d’apprendre une équation gouvernante latente adaptée, qui décrit au mieux un jeu de données climatiques donné. Dans nos expérimentations menées sur deux jeux de données réels et un jeu synthétique, ainsi que par rapport à onze modèles de référence, notre méthode obtient systématiquement de meilleurs résultats que les approches existantes, avec des marges significatives.