Cerfacs Entrez dans le monde de la haute performance...

Approche hybride basée sur la physique et l’IA pour l’advection des champs de probabilités. Application à la prévision immédiate de la couverture nuageuse.

https://youtube.com/live/aXdXZDu5kTE?feature=share

SDU2E : École doctorale ED173 “Sciences de l'Univers, de l'Environnement et de l'Espace

Les modèles traditionnels de prévisions numérique du temps sont efficaces mais coûteux en calcul et peinent à faire des prédictions à petite échelle, tandis que les modèles basés sur les données sont prometteurs mais manquent souvent de cohérence physique et de généralisation. Ce travail aborde les limites des méthodes traditionnelles d’apprentissage profond dans la production de résultats réalistes et physiquement cohérents qui peuvent se généraliser à des données invisibles. Dans cette thèse, nous explorons des méthodes hybrides qui cherchent à concilier la précision des méthodes de premier principe avec la puissance d’exploitation des données des techniques d’apprentissage, en nous concentrant sur la prévision immédiate de la couverture nuageuse, en utilisant des images satellites avec classification des types de nuages.

L’approche proposée, nommée HyPhAICC, impose un comportement physique basé sur l’advection de probabilité. Dans le premier modèle, appelé HyPhAICC-1, la dynamique d’advection à plusieurs niveaux est utilisée pour guider l’apprentissage d’un modèle U-Net. Ceci est réalisé en résolvant l’équation d’advection pour plusieurs champs de probabilité, chacun représentant un type de nuage, tout en apprenant simultanément le champ de vitesse inconnu.

Nos expériences montrent que HyPhAICC-1 surpasse à la fois l’EXIM d’EUMETSAT et l’U-Net en termes de métriques standard ; Score F1, CSI et précision. Nous démontrons également que le modèle HyPhAICC-1 préserve plus de détails et produit des résultats plus réalistes par rapport au modèle U-Net. Pour mesurer quantitativement cet aspect, nous utilisons une version modifiée de la distance de Hausdorff qui est, à notre connaissance, la première fois que cette mesure est utilisée à cette fin dans la littérature. HyPhAICC-1 montre également une convergence significativement plus rapide et des performances significativement meilleures que celles du modèle U-Net lorsqu’il est formé sur des ensembles de données plus petits, soulignant l’efficacité de calcul de l’approche proposée.

Un autre modèle, appelé HyPhAICC-2, ajoute un terme source à l’équation d’advection, améliorant la précision mais réduisant la qualité visuelle.

Ces résultats suggèrent que cette approche hybride offre une solution prometteuse pour surmonter les limites des méthodes d’IA traditionnelles, inspirant potentiellement de nouvelles recherches pour combiner les connaissances physiques avec des modèles d’apprentissage profond pour des prévisions météorologiques meilleures et plus efficaces.

Jury

M. Fabrice GAMBOA	Professeur, IMT Toulouse III	Examinateur
M. Guillaume BALARAC	Professeur, LEGI Grenoble	Examinateur
M. François FLEURET	Professeur, Université de Genève	Rapporteur
M. Guillaume GASTINEAU	Maître de conférences, Sorbonne	Rapporteur
Mme Sidonie LEFEBVRE	Ingénieure de recherche, ONERA	Examinatrice
M. Olivier PANNECOUCKE	CNRM/CERFACS	Directeur de thèse
M. Corentin LAPEYRE	NVIDIA	Invité