Des chercheurs dirigés par Chengwang Wang ont démontré que l'apprentissage automatique peut découvrir automatiquement les équations régissant des processus complexes comme la biogéochimie océanique. Leurs travaux, publiés dans Geophysical Research Letters, exploitent cette approche pour reconstruire les lois mathématiques décrivant le cycle du fer colloïdal, un composant essentiel de la chimie marine. Plutôt que de s'appuyer sur des modèles existants souvent limités par des hypothèses simplificatrices, l'équipe a utilisé la régression symbolique. Cette technique demande au modèle de construire progressivement des formules à partir d'opérateurs mathématiques de base, en les optimisant directement à partir de données réelles, même lorsqu'elles sont dispersées. Le résultat obtenu est une suite de six équations décrivant le comportement des particules de fer microscopiques en suspension dans l'océan. Comparées aux équations classiques, ces nouvelles formules sont fonctionnellement plus simples tout en restant tout aussi performantes pour simuler les grandes tendances océaniques. Au-delà de la performance, la démarche a révélé des informations nouvelles sur le cycle du fer. Par exemple, les équations déduites excluent la salinité, probablement parce que ce paramètre varie peu à l'échelle planétaire. Elles soulignent également que des prélèvements d'échantillons sur toute la colonne d'eau offrent une bien meilleure précision que des mesures ponctuelles à des profondeurs spécifiques. Cette étude valide progressivement l'utilisation de l'intelligence artificielle pour la découverte automatique d'équations dans des systèmes naturels complexes. Les auteurs soulignent que des jeux de données limités peuvent générer des modèles robustes, à condition que les mesures de fer colloïdal soient prises aux mêmes emplacements que les échantillons de fer dissous existants. Ces résultats orientent directement les futures campagnes d'observation océanique. Ils recommandent d'élargir la couverture des bassins océaniques encore sous-échantillonnés et de privilégier des profils verticaux complets plutôt que des mesures ciblées. La communauté scientifique est également invitée à partager les données non publiées, comme celles issues des croisières GEOTRACES, afin d'alimenter ces nouvelles approches analytiques. En combinant modélisation traditionnelle et apprentissage automatique, cette recherche ouvre la voie à une compréhension plus fine et plus adaptable des écosystèmes marins face aux changements globaux.