Doctorat en physique statistique, science du climat et apprentissage automatique

Projet de doctorat, dans le cadre du projet Critical-Earth Horizon 2020 Marie Skłodowska-Curie Actions, Innovative Training Network.

Étudier les changements climatiques brusques à l'aide de l'apprentissage automatique et d'algorithmes d'événements rares

Encadré par Freddy BOUCHET.

Où: École Normale Supérieure de Lyon - Laboratoire de physique (ENSL-CNRS, Lyon, France).

Quand: à partir de 2021 (à tout moment après mars 2021).

Durée: Un projet de doctorat de trois ans.

Salaire et condition: Le doctorant bénéficiera d'excellentes conditions salariales, de plans de formation et de mise en réseau, conformément aux règles européennes Marie Curie ITN (voir le montant de l'allocation 2019).

Description scientifique:

Le but de ce projet est d'étudier la possibilité que la circulation atmosphérique ou le climat subissent des transitions brusques entre des états stables coexistants. Les enregistrements paléoclimatiques indiquent que des changements brusques se sont produits dans le passé, à des échelles de temps compatibles avec les processus atmosphériques (par exemple, la poussière dans les carottes de glace du Groenland). De telles transitions brusques sont également couramment observées dans les expériences en laboratoire d'écoulements turbulents. Le premier exemple intéressant est la bifurcation de la circulation méridienne de renversement de l'Atlantique (AMOC) due aux interactions entre l'océan et l'atmosphère turbulentes et la dynamique des glaces. Le second est la bifurcation de l'atmosphère terrestre vers un état de superrotation [4]: c'est un état pour lequel la ceinture équatoriale subit de forts vents d'est, et pour lequel le climat terrestre est fortement affecté.

L'étude de ces transitions est extrêmement importante afin de comprendre l'avenir possible de la Terre. Cependant, les études scientifiques sont fortement limitées. On peut utiliser des modèles trop simplifiés pour lesquels il est difficile d'en apprendre beaucoup sur la dynamique réelle de la Terre. L'alternative serait d'utiliser des modèles climatiques complets et réalistes. Mais la complexité de ces modèles nous empêche de les exécuter assez longtemps et de faire les expériences nécessaires pour étudier ces bifurcations.

Afin de résoudre ces problèmes, nous couplerons l'utilisation de modèles réalistes, avec des algorithmes d'événements rares et des approches d'apprentissage automatique.

Nous avons récemment démontré que les algorithmes d'événements rares peuvent conduire à un gain d'un facteur 100 à 1000 du coût de calcul nécessaire pour calculer les événements extrêmes dans les modèles climatiques, par exemple les vagues de chaleur extrêmes sur l'Europe [1]. Nous avons également obtenu des résultats similaires pour l'étude du changement climatique brutal dans des modèles de turbulence géostrophique de la dynamique de l'atmosphère [2]. Cette technique aura probablement un impact énorme dans l'étude future du changement climatique brutal.

L'intérêt principal des algorithmes d'événements rares est de produire de grands ensembles d'événements extrêmes extrêmement rares qui ne peuvent être obtenus par des simulations numériques raisonnables. L'un des risques des algorithmes d'événements rares est que cela ne fonctionnerait que si la fonction de score pour sélectionner les trajectoires est une bonne estimation de ce que la dynamique du modèle devrait réellement faire pour produire les extrêmes. Jusqu'à présent, nous avons réussi à identifier de bonnes fonctions de score pour produire une vague de chaleur persistante extrêmement rare, transition entre différents attracteurs dans des écoulements turbulents à jet atmosphérique. Cependant, il n'est pas clair si cette approche se généraliserait simplement à des transitions brusques avec une dynamique plus complexe.

En utilisant des approches d'apprentissage automatique, on peut apprendre la fonction de score optimale à partir de données [3]. Cela améliorera beaucoup l'efficacité d'un algorithme d'événement rare et sa polyvalence pour étudier de grandes classes de transitions brusques. L'apprentissage automatique de la fonction de score optimale est donc un moyen de traiter le principal inconvénient des algorithmes d'événements rares.

L'apprentissage automatique nécessite un grand ensemble de données avec des événements rares déjà observés. C'est le principal inconvénient et la limitation d'une approche d'apprentissage automatique pour étudier les événements rares de la dynamique climatique. Un algorithme d'événement rare est un outil parfait pour obtenir un ensemble de données aussi volumineux. Nous concluons ainsi que les algorithmes d'événements rares résolvent la faiblesse possible de l'apprentissage automatique et que l'apprentissage automatique résout la faiblesse des algorithmes d'événements rares. Cela motive l'objectif principal de cette partie du projet: nous allons coupler des algorithmes d'événements rares et l'apprentissage automatique en une boucle de rétroaction de contrôle.

L'outil méthodologique développé (couplé algorithme d'événements rares / apprentissage automatique) sera appliqué à une hiérarchie de modèles de complexité différente afin d'identifier les transitions critiques dans les modèles dynamiques stochastiques et déterministes liés à la bifurcation de la circulation de renversement méridien atlantique et aux états suppérotants de l'atmosphère terrestre.

[1] F. Ragone, J. Wouters et F. Bouchet, 2018, Calcul des vagues de chaleur extrêmes dans les modèles climatiques à l'aide d'un algorithme à grande déviation, Actes de l'Académie nationale des sciences, vol 115, no 1, pages 24-29, [pdf].

[2] F. Bouchet, J. Rolland et E. Simonnet, 2019, Un algorithme d'événement rare relie des transitions dans des écoulements turbulents avec des nucléations activées, Phys. Rev. Lett. 122, 074502, arXiv: 1810,11057 , [pdf].

[3] D. Lucente, S. Duffner, C. Herbert, J. Rolland et F. Bouchet, 2019, Apprentissage automatique des fonctions de committor pour prédire les événements climatiques à fort impact, Actes de Climate Informatics CI2019, arXiv: 1910.11736 , [pdf].

[4] C. Herbert, R. Caballero et F. Bouchet, 2020, Bistabilité atmosphérique et transitions brusques vers la superrotation: résonance onde-jet et rétroactions cellulaires de Hadley, Journal of the Atmospheric Sciences, vol. 77, non. 1, arXiv: 1905,12401, [pdf].

************************************************** ************************************************** ************

Les candidats souhaitant poursuivre un doctorat dans le domaine de la physique du climat sont invités à postuler.

Le projet CriticalEarth: les étudiants recevront une formation au sein d'un réseau paneuropéen de formation à la recherche dans le secteur universitaire, spécifiquement axé sur la recherche en transition abrupte pour le climat terrestre.

Les postes sont publiés dans le cadre du projet CriticalEarth - «Transitions multi-échelles et critiques dans le système terrestre» - financé par le programme Actions Horizon 2020 Marie Skłodowska-Curie. CriticalEarth formera de jeunes chercheurs en Europe pour aborder des problèmes scientifiques clés pour l'étude des transitions brusques du système terrestre.

Le consortium CriticalEarth comprend des universités avec des chercheurs qui sont des experts de premier plan sur l'étude de la physique théorique, des mathématiques et du climat. En coopération avec les 15 autres chercheurs débutants (ESR) à recruter, les chercheurs généreront, intégreront et appliqueront des connaissances multidisciplinaires issues des mathématiques appliquées, de la physique statistique, de la science du climat et des simulations numériques.

Le réseau leur donnera une excellente expérience de collaboration dans des équipes interdisciplinaires dans les universités, l'industrie, les institutions gouvernementales et non gouvernementales. Les principaux résultats de CriticalEarth seront (i) une cohorte de scientifiques formés dans un domaine de recherche à forte demande pour les années à venir; (ii) une compréhension révolutionnaire de la dynamique multi-échelles dans le système terrestre et (iii) de meilleures bases de compréhension et de meilleurs outils pour évaluer et éviter un changement climatique irréversible.

En plus de former de jeunes chercheurs aux défis de demain, CriticalEarth fournira dès le premier jour une excellente recherche avec un impact scientifique et sociétal impressionnant.

Eligibilité: les candidats ne doivent pas avoir résidé et avoir exercé leur activité principale (travail, études, etc.) en France pendant plus de 12 mois au cours des 3 années précédant immédiatement la date de recrutement - sauf dans le cadre d'une procédure d'obtention du statut de réfugié en vertu de la Convention de Genève.

Le candidat doit être un chercheur en début de carrière (ESR), c'est-à-dire qu'au moment du recrutement, il doit être dans les 4 premières années (expérience de recherche équivalente à temps plein) de sa carrière de recherche et ne doit pas avoir obtenu de doctorat. .

Exigences supplémentaires: les candidats doivent être capables de faire preuve de motivation et d'un fort désir d'apprendre et avoir la capacité de travailler à la fois de manière indépendante et en équipe. Une expérience de recherche antérieure sera un avantage distinct. Le boursier doit être prêt à voyager et devra effectuer des détachements internationaux.

Les candidatures doivent inclure une lettre de motivation, un CV et 2 lettres de recommandation et être envoyées directement à Freddy.Bouchet@ens-lyon.fr. La date de clôture est le 31 janvier 2021. Après le 31 janvier 2021, merci de contacter Freddy.Bouchet@ens-lyon.fr pour savoir si le poste a déjà été octroyé ou non.