Modéliser l’impensé : quand l’IA complète la physique

C’est dans cet espace d’incertitude que l’intelligence artificielle ouvre de nouvelles perspectives. En apprenant à partir des données empiriques, elle complète les approches existantes, affine la compréhension des systèmes et met en lumière des relations jusque-là invisibles.

L’enjeu n’est plus de choisir entre physique et IA, mais de construire des modèles hybrides, robustes et évolutifs — capables de représenter le réel dans toute sa complexité.

Depuis quand travaillez-vous avec l’intelligence artificielle ?

J’ai commencé à explorer les potentialités de l’intelligence artificielle dès 1993, dans le domaine de la modélisation hydrologique et hydrogéologique. À l’époque, ces méthodes suscitaient beaucoup de scepticisme.

Je faisais figure d’exception dans le milieu académique, et même au sein de mon propre laboratoire, on me disait que ce n’était pas sérieux.

Pourtant, j’étais convaincue que les réseaux de neurones pouvaient apporter une vraie valeur dans l’étude des hydrosystèmes. Trente ans plus tard, les résultats sont là.

En quelques mots, que sont les réseaux de neurones, et en quoi diffèrent-ils des systèmes experts ?

Les réseaux de neurones sont une des branches principales de l’intelligence artificielle – et même le socle de la plupart des IA modernes, qu’il s’agisse de modèles génératifs ou de modèles dits « profonds ».

À la différence des systèmes experts, qui reposent sur une formalisation explicite des connaissances (règles, catégories, liens logiques construits par des humains), les réseaux de neurones apprennent à partir des données. Ils s’inspirent, en quelque sorte, du fonctionnement du cerveau humain : chaque « neurone » effectue un calcul simple, mais les connexions entre ces neurones – comme les synapses – se renforcent ou s’ajustent selon l’expérience.

L’idée, c’est donc de laisser l’IA découvrir par elle-même les relations cachées dans les données, y compris celles que les humains n’auraient pas pensées ou su exprimer.

Cette approche permet notamment de capturer des savoir-faire implicites, des raisonnements inconscients… et ouvre des perspectives inédites lorsqu’elle est combinée avec une expertise métier bien structurée.

Comment utilisez-vous l’IA dans vos travaux de recherche ?

Nous utilisons les réseaux de neurones pour modéliser des phénomènes complexes, comme les hydrosystèmes karstiques ou les crues éclair. Ces modèles sont nourris par des données de pluie, de débit, ou encore de hauteur de nappe, et permettent d’anticiper des événements extrêmes, comme les crues cévenoles ou les inondations à Toulon.

Par exemple, nous avons travaillé sur la source du Lez, qui alimente Montpellier. Grâce à nos modèles, nous avons pu remettre en question certaines hypothèses historiques sur le fonctionnement de cet hydrosystème.

Le réseau de neurones nous a permis d’identifier une zone d’infiltration directement connectée à la source du Lez, qui était plus ou moins passées sous les radars avec les analyses classiques. Nous avons aussi travaillé, dans le cadre d’une thèse, sur le site nucléaire de Cadarache pour développer des modèles de pré-alerte en cas de remontées de nappes.

Ces outils sont aujourd’hui opérationnels et performants. Notre méthode associe la connaissance physique des systèmes à la puissance des modèles neuronaux. Elle repose sur une démarche rigoureuse : les réseaux de neurones sont entraînés sur une partie des données disponibles, puis testés sur des événements qu’ils n’ont jamais « vus », notamment les crues les plus intenses, afin d’évaluer leur capacité à anticiper des situations extrêmes. Cette approche permet non seulement de vérifier la robustesse du modèle, mais aussi de nourrir une meilleure compréhension des systèmes hydrologiques.

Avec le temps, l’utilisation de l’IA a été affinée, jusqu’à devenir un outil d’exploration à part entière, capable de générer des hypothèses nouvelles sur le fonctionnement des milieux grâce à l’utilisation de la méthode KNOX (KNOwledge, eXtraction), que nous avons développée.

Quels sont, selon vous, les principaux bénéfices de l’IA dans le domaine de l’eau ?

L’un des avantages majeurs de l’IA, c’est qu’elle permet de modéliser des systèmes très complexes avec des données assez faciles à acquérir : il suffit souvent de disposer d’une série de mesures de pluie et de débit pour produire un modèle efficace, là où un modèle physique nécessiterait un grand nombre de paramètres et de campagnes de terrain. C’est donc une méthode plus rapide, moins coûteuse, et accessible à des structures qui ne disposent pas de moyens importants.

Autre bénéfice : la rapidité. Une fois entraîné, un modèle peut produire des prévisions en temps réel, en quelques millisecondes. C’est très utile pour la gestion des risques. Enfin, l’IA permet de s’affranchir de certaines contraintes des modèles classiques.

Lorsqu’une variable manque, l’IA peut apprendre à partir de données indirectes : relier la pluie à la hauteur d’eau, ou estimer une variable manquante à partir d’une station voisine. Elle offre ainsi une capacité d’adaptation précieuse, même dans des contextes où les données sont partielles ou incomplètes.

Quelles sont les limites ou les précautions à prendre ?

Ces approches reposent sur la qualité des données. Or, trop souvent, les données collectées sur le terrain ne sont pas archivées, ou sont perdues avec le départ des équipes. Mon message est clair : il faut absolument conserver les historiques, prendre soin des bases de données, et les structurer correctement.

C’est un patrimoine scientifique et opérationnel inestimable. Autre point d’attention : l’IA ne doit pas être utilisée de manière systématique. Sur des bassins simples et bien connus, les méthodes classiques restent plus appropriées.

L’intelligence artificielle doit être mobilisée là où elle apporte une réelle valeur ajoutée : sur des systèmes complexes, hétérogènes, ou insuffisamment instrumentés.