Une équipe de chercheurs dirigée par E. K. de Jong a publié une étude comparative évaluant l'efficacité de l'apprentissage automatique pour modéliser la formation des gouttes de pluie. Ce processus, fondamental pour les prévisions météorologiques et climatiques, repose sur la collision et la fusion de microgouttelettes au sein des nuages. Les méthodes de simulation traditionnelles s'avèrent souvent imprécises ou excessivement lourdes en calcul. Pour les améliorer, les chercheurs ont entraîné trois modèles d'intelligence artificielle à partir de données simulées exploitant la méthode des supergouttes. Cette approche regroupe les particules réelles en entités virtuelles pondérées, permettant d'approximer plus fidèlement la distribution des tailles et les interactions au sein du nuage. Les architectures testées comprenaient un cadre SINDy basé sur la régression polynomiale, un réseau de neurones piloté par des dérivées temporelles et un réseau autoregressif discret. L'analyse révèle que le modèle SINDy, malgré sa simplicité architecturale, a obtenu les performances les plus solides. Il offre une incertitude moindre et une meilleure capacité à généraliser sur des données indépendantes que ses concurrents plus complexes. Les auteurs insistent sur cette découverte clé : l'ajout de complexité algorithmique ne garantit pas automatiquement une meilleure précision et peut même introduire des instabilités. En utilisant des autoencodeurs, les réseaux ont réussi à reconstruire avec précision plusieurs caractéristiques de la distribution des tailles de gouttes. Ils ont notamment reproduit fidèlement la progression de la taille moyenne des particules au cours du temps et les distributions bimodales, qui reflètent la coexistence distincte des gouttelettes nuageuses et des gouttes de pluie. En revanche, les modèles ont montré des difficultés à reproduire le bruit de fond atmosphérique et les pics de distribution extrêmement étroits. Les chercheurs soulignent que ces prototypes nécessitent encore des validations avant un déploiement opérationnel. Les prochaines étapes devront intégrer des mécanismes physiques essentiels tels que la condensation, l'évaporation et les processus en phase mixte. L'appariement des simulations avec des mesures atmosphériques réelles sera également indispensable pour contraindre les algorithmes et optimiser leurs paramètres. À terme, cette approche hybride devrait significativement améliorer la fiabilité des modèles climatiques et des outils de prévision numérique, en offrant une représentation plus précise des microprocessus nuageux.