La dynamique des fluides géophysiques (glaciers, coulées de débris, lave, convection mantellique, circulation atmosphérique et océanique) joue un rôle central pour la compréhension du climat, des risques naturels et de l’évolution des paysages terrestres. Les simulations numériques constituent un outil majeur pour tester des hypothèses scientifiques et prévoir l’évolution de ces systèmes. Toutefois, leur coût de calcul reste prohibitif, en particulier à grande échelle spatiale et temporelle.
L’objectif de ce projet est d’explorer une nouvelle méthodologie de simulation basée sur des modèles de substitution neuronaux. En intégrant un « effet mémoire » dans les solveurs numériques, notre approche vise à accélérer les calculs de manière significative, tout en conservant une précision physique suffisante pour les applications en géosciences. Inspirée des méthodes issues de l’informatique graphique, cette approche pourrait permettre d’atteindre des résolutions inédites et d’élargir le champ d’application des modèles géophysiques.
Nous développerons un solveur neuronal qui apprend dynamiquement à résoudre les équations de conservation de la quantité de mouvement. Contrairement aux approches classiques d’apprentissage supervisé, notre méthode repose sur la minimisation d’une énergie physique au cours de la simulation, supprimant ainsi la nécessité de jeux de données coûteux.
