👩🏫 Julie Deshayes, CNRS
🌎 January 2023
Abstract:
La modélisation du climat terrestre est incontournable pour planifier l’adaptation et la mitigation du changement climatique. La réalisation de scénarios du climat futur a un coût numérique conséquent, même à basse résolution spatiale (de l’ordre de 1°). L’essentiel de la consommation en calcul et stockage est consacrée à la mise à l’équilibre du modèle (en particulier sa composante océanique) et à la calibration des paramètres. En collaboration avec Martial Mancip, et grâce au soutien du programme PNRIA du CNRS, nous avons commencé à élaborer une solution, basée sur des méthodes innovantes (statistiques avancées et issues de l’intelligence artificielle), pour accélérer la mise à l’équilibre de l’océan du modèle de climat de l’IPSL. L’idée est de disposer d’un modèle d’inférence qui extrapole une série de pas de temps de simulation (en mois/années), puis réinjecte la solution extrapolée dans le modèle climatique pour effectuer de nouvelles étapes de simulation. Ces deux étapes seraient répétées autant de fois que nécessaire pour obtenir un algorithme stable qui converge vers une solution physiquement admissible comparable aux équilibres complets, tout en réduisant considérablement le nombre de pas de temps calculés explicitement avec le modèle. La réduction du temps de calcul explicite par le modèle climatique (opéré sous CPU), qui est plus coûteux que l’inférence par les techniques de Data Science (réalisée sous GPU), conduit à une amélioration de la frugalité du calcul numérique de la modélisation climatique.