MODÈLES DE CLIMAT : TRENTE ANS DE CALCUL, ET LA PLUIE RÉSISTE

Les modèles de climat fournissent une bonne partie des preuves sur lesquelles s’appuient les politiques climatiques. Depuis 1995, un programme international appelé CMIP — Coupled Model Intercomparison Project — les fait tourner côte à côte, génération après génération, selon des règles communes. Chaque génération utilise des grilles plus fines et davantage de physique, donc plus de calcul. Ce que personne ne suit, selon une équipe de 24 chercheurs menée par Ioana Colfescu (université de St Andrews et Centre national britannique des sciences de l’atmosphère), c’est combien d’énergie cela coûte, et ce que cela rapporte.

159 modèles, un seul score d’erreur

L’équipe a recalculé un même indice d’erreur pour 159 modèles de cinq générations CMIP, à partir de leurs sorties archivées : l’écart entre le climat d’hiver de chaque modèle (1979–1999) et les observations, pour trois variables — la pression de l’air au niveau de la mer, la température de l’air en surface et les précipitations. Ces trois-là seulement, car la deuxième génération n’a rien archivé d’autre. Plus c’est bas, mieux c’est.

L’erreur médiane passe de 1,56 pour la première génération à 0,61 pour la sixième. Sur la même période, le calcul nécessaire à un modèle typique, estimé d’après la résolution de sa grille, a été multiplié par environ 29.

Un rendement régulier

D’une génération à l’autre, l’erreur baisse de 21, 28, 21 et 14 % — une série irrégulière. Mais rapportée au calcul ajouté à chaque étape, la tendance devient régulière : 13,5 % d’erreur en moins par doublement du calcul, avec une dispersion de 0,7 point seulement sur les trois transitions où la comparaison tient.

Ce rythme donne un calcul simple et dégrisant. Diviser l’erreur par deux demande environ 4,8 doublements, « car 0,865 à la puissance 4,8 vaut 0,5 », écrivent les auteurs — et 4,8 doublements, c’est environ 28 fois plus de calcul que les modèles actuels. Pendant ce temps, la croissance du calcul entre générations a ralenti, de 2,2 doublements à 1,1.

Les auteurs restent prudents sur ce que cela signifie. Une meilleure physique améliore aussi les modèles, et les deux ne se séparent pas : les 13,5 % mesurent le rendement conjoint du calcul et de la science. Et ils décrivent le progrès passé, pas une loi de la nature.

La pluie à la traîne

Un score unique cache de grandes différences. Entre la première et la sixième génération, l’erreur sur la pression au niveau de la mer a été divisée par 3,5 et celle sur la température de surface par 2,7. Sur les précipitations, elle a baissé de 7 %. Trois décennies de résolution et de complexité supplémentaires n’ont presque pas amélioré, selon cette mesure, la variable qui compte le plus pour les impacts du climat.

Une énergie que personne ne mesure

Les déclarations d’énergie sont lacunaires. Les huit institutions qui ont publié des données complètes pour la dernière génération représentent 1 692 tonnes de CO₂. Parmi les 13 modèles dont l’énergie est mesurée, l’énergie par année simulée varie d’un facteur 65, et elle suit à peine la résolution. Sur 30 institutions, neuf publient des chiffres d’énergie standardisés, et aucune ne relie l’énergie à un score de compétence.

Des IA météo comme GraphCast, Pangu-Weather, FuXi et GenCast égalent ou battent désormais la prévision haute résolution du Centre européen. On les dit bien moins coûteuses à faire tourner. Mais l’équipe n’a trouvé aucune mesure publiée de l’énergie nécessaire à leurs prévisions : elle l’a reconstruite d’après le matériel et les temps de calcul déclarés. Puis elle a ajouté l’entraînement : environ 2 900 kWh pour GraphCast, 62 000 kWh pour Pangu-Weather. Sur un an de quatre prévisions par jour, l’entraînement représente plus de 99 % de l’énergie de chaque système, et Pangu-Weather passe de deuxième à dernier en compétence par kilowattheure.

Une frontière plutôt qu’une échelle

La feuille de route propose de juger les modèles sur un plan compétence–énergie : la compétence sur un axe, l’énergie sur l’autre, et l’ensemble des systèmes qu’aucun autre ne bat sur les deux. Un score, la compétence divisée par l’énergie, peut classer les systèmes d’une même catégorie, mais les auteurs préviennent qu’il ne faut jamais l’utiliser seul : un modèle presque inutile qui ne consomme presque rien serait bien noté. Ils proposent aussi cinq niveaux de déclaration de l’énergie, de « déclaré » à « complet et audité », et quatre leviers pour faire mieux avec moins : des expériences mieux conçues, du nouveau matériel comme les GPU, moins de transferts de données, et des composants d’IA ciblés.

Ils signalent aussi les risques : des simulations moins chères peuvent simplement conduire à en lancer davantage, et l’entraînement des grands modèles météo reste concentré dans quelques organisations et quelques pays. Leur premier pas est modeste. Publier l’énergie à côté de la précision, avec des périmètres clairs, avant que la prochaine génération de modèles — CMIP8 — ne démarre.