La prévision météorologique à long terme reste un défi majeur en raison de la nature chaotique des systèmes atmosphériques. Bien que des équations mathématiques puissent modéliser les lois physiques sous-jacentes, les petites imprécisions se propagent exponentiellement dans le temps, limitant généralement les prévisions basées sur la physique à environ deux semaines. Pour pallier ces limites, les modèles d’intelligence artificielle (IA), comme GraphCast et FourCastNet, ont révolutionné la prévision en apprenant à partir de vastes ensembles de données météorologiques, offrant des prédictions très précises. Toutefois, ces modèles reposent sur des dizaines de millions à des centaines de millions de paramètres non interprétables, ce qui empêche les scientifiques de comprendre comment les décisions sont prises, limitant ainsi leur apport à la compréhension fondamentale des phénomènes météorologiques. Dans une étude publiée dans Journal of Geophysical Research: Machine Learning and Computation, Seth Minor et son équipe présentent une solution prometteuse : l’algorithme WSINDy (Weak form Sparse Identification of Nonlinear Dynamics), une méthode d’apprentissage automatique scientifique (WSciML) conçue pour extraire des équations mathématiques interprétables à partir de données météorologiques. Contrairement aux modèles d’IA traditionnels, WSINDy ne cherche pas à ajuster des paramètres aveugles, mais à identifier les lois physiques réelles qui régissent les processus atmosphériques — comme l’interaction entre la pression, la densité et la vorticité pour déterminer la vitesse et la direction du vent. Les chercheurs ont testé WSINDy sur des données simulées et réelles issues de l’atmosphère, incluant des mesures de température, de pression et de vitesse du vent. L’algorithme a réussi à retrouver les équations connues dans les simulations, mais surtout, il a identifié avec précision les équations gouvernant la physique atmosphérique à l’échelle globale à partir de données réelles assimilées. Ces résultats suggèrent que WSINDy peut non seulement améliorer la précision des prévisions météorologiques, mais aussi révéler de nouveaux mécanismes physiques sous-jacents, notamment dans des phénomènes complexes comme les ouragans — tels que Beryl en juillet 2024, observé depuis le satellite GOES-16. Un avantage clé de WSINDy réside dans sa robustesse face au bruit de mesure, ce qui le rend particulièrement adapté aux données réelles, souvent imparfaites. Toutefois, des améliorations sont nécessaires pour qu’il puisse mieux identifier certaines équations complexes, notamment celles régissant le vent atmosphérique dans des conditions réalistes. Par ailleurs, l’algorithme est en cours d’exploration pour d’autres domaines scientifiques, tels que la fusion nucléaire, la dynamique des épidémies ou les mécanismes de communication cellulaire dans la guérison des plaies. En résumé, WSINDy représente une avancée majeure vers des modèles météorologiques qui allient haute précision et interprétabilité physique. Il ouvre la voie à une nouvelle génération de modèles hybrides, combinant puissance prédictive de l’IA et fondement scientifique rigoureux. Selon des experts du secteur, cette approche pourrait transformer non seulement la météorologie, mais aussi la manière dont les sciences de la Terre et du vivant explorent les lois fondamentales de la nature.