Le Institut de Technologie du Massachusetts (MIT) a présenté un algorithme d'apprentissage automatique —une branche de la intelligence artificielle qui permet aux ordinateurs d'apprendre à partir de données— capable de générer des scénarios plausibles d' événements extrêmes sans dépendre d'enregistrements précédents de catastrophes de cette ampleur, un outil pensé pour anticiper les risques qui conditionnent aujourd'hui la préparation des villes, des réseaux électriques et des infrastructures critiques face à tempêtes, vagues de chaleur et incendies sans précédent.
A la différence des systèmes habituels, la méthode est conçue pour estimer à quoi pourrait ressembler un phénomène qui se produit une fois tous les 100 ans, même lorsqu'il n'y a pas de cas équivalent dans la base de données. Selon le portail institutionnel, l'outil peut produire mille réalisations possibles de ces épisodes rares et estimer leur taille, durée, intensité et zone d'impact.
Kai Chang, étudiant en master en ingénierie mécanique de l'institut et chercheur affilié au Center for Computational Science and Engineering, a expliqué que l'objectif est de modéliser des événements extrêmes inédits qui “n'ont jamais été vus auparavant” et qui n'apparaissent pas dans les données disponibles. Themis Sapsis, professeur d'ingénierie mécanique et océanique au MIT, a soulevé le problème à partir d'une référence : si un ouragan comme Katrina apparaît tous les 30 ou 40 ans, la question est de savoir à quoi ressemblerait un avec une fréquence d'une fois par siècle et à quel point cela pourrait être grave.
Le système apprend et écarte les scénarios impossibles
La nouveauté de l'approche est qu'elle n'a pas besoin d'être entraînée avec des exemples précédents de catastrophes extraordinaires pour construire des scénarios futurs. Au lieu de cela, elle apprend à partir d'enregistrements existants, comme des séries quotidiennes de temps et des cartes régionales, bien que ces fichiers contiennent peu ou aucun épisode de grande ampleur.
Chang a souligné que de nombreux modèles actuels partent du principe que dans l'ensemble de données, il existe déjà des événements très destructeurs observés, et sur cette base, ils estiment les risques ou essaient de reproduire exactement ce qui s'est déjà produit. Le nouveau système cherche plutôt à identifier comment seraient des événements “plus risqués que tout” enregistré jusqu'à présent et, tout de même, statistiquement plausibles.
L'exemple que développe la recherche est direct. Si la pluie la plus intense mesurée un jour à New York était de 200 millimètres, l'algorithme essaie d'estimer quel type de tempête pourrait produire 300 millimètres, même si aucune telle précipitation n'a jamais été documentée dans la ville. Pour les planificateurs urbains, cette différence est significative : ils doivent savoir où cela impacterait, quelle surface cela couvrirait et avec quelle intensité cela déchargerait pour renforcer les infrastructures et évaluer les vulnérabilités.
Sapsis a précisé : “Nous voulons prédire des cartes de ces pires scénarios. Il n'existe pas de méthode qui fasse cela efficacement pour prédire des événements qui se produisent rarement.”
Analyse basée sur 25 ans de cartes de pluie
Pour démontrer le fonctionnement de la méthode, les chercheurs l'ont appliquée à des épisodes extrêmes de précipitations sur le territoire continental des États-Unis. L'équipe est partie de 25 ans de cartes horaires de pluie, qu'elle a ensuite regroupées en cartes quotidiennes pour construire la base statistique.
A partir de cet ensemble de données, ils ont calculé des statistiques ponctuelles, c'est-à-dire des mesures qui indiquent à quelle fréquence la pluie maximale d'une carte atteignait un certain niveau. Ensuite, ils ont entraîné l'algorithme avec des cartes spatiales de basse et haute résolution —avec moins et plus de densité de données géographiques, respectivement— appariées, mais uniquement pour les six premiers mois de l'enregistrement, une période avec peu ou aucun exemple des niveaux de précipitation les plus extrêmes.
Avec ces données, le système a appris la relation entre les motifs spatiaux de basse résolution et les cartes détaillées de précipitation de haute résolution. Ensuite, il a utilisé les statistiques ponctuelles pour imposer des limites statistiques de plausibilité aux extrêmes de pluie représentés dans ces cartes et ainsi, générer des distributions géographiques plausibles pour des phénomènes plus intenses que ceux contenus dans l'entraînement.
Cette procédure permet de projeter, par exemple, les emplacements, tailles et intensités possibles d'une tempête de pluie centenaire avec un maximum de 300 millimètres. L'utilisateur peut formuler une demande concrète, comme à quoi ressemblerait une tempête de ce type à New York, et l'algorithme retourne des cartes statistiquement plausibles avec la zone de couverture, la taille du système et la force de la précipitation.
Chang a expliqué que quelqu'un intéressé à construire une infrastructure résistante à un événement se produisant une fois tous les 100 ans peut utiliser l'outil pour obtenir des milliers de scénarios compatibles avec cette rareté statistique.
Application pour le climat, les marchés et la robotique
La méthode, que l'équipe a appelée Extreme Event Aware, ne se limite pas aux phénomènes météorologiques. Selon le portail, elle pourrait également s'appliquer à d'autres domaines où les événements extrêmes sont complexes et peu fréquents, comme la navigation robotique ou les marchés financiers.
Chang a soutenu que les krachs boursiers sont des épisodes extrêmes formés par des combinaisons complexes entre différents secteurs, et que la technique pourrait explorer quelles interactions entraînent une crise de marché. La condition pour étendre son utilisation à d'autres domaines est de disposer de statistiques ponctuelles et de données pertinentes de chaque domaine.
Sapsis a situé le problème à une échelle plus large : les événements extrêmes ne sont plus seulement une question environnementale, mais aussi stratégique. Selon lui, les systèmes globaux ont été optimisés pour l'efficacité et cette efficacité a réduit au minimum les marges de réserve, de sorte qu'un seul épisode extrême peut se propager en quelques semaines à travers les chaînes d'approvisionnement, les marchés énergétiques et les systèmes alimentaires.