Imaginer l'extrême invisible : le pari statistique du MIT et son prix mathématique

Prévoir des événements météorologiques sans précédent historique compte parmi les défis les plus rudes pour les modèles fondés sur les données, dont l'incertitude explose précisément là où les exemples passés manquent. Pour franchir cette limite, une étude publiée le 20 août 2026 dans Nature Communications, intitulée « Extreme Event Aware (η-) Learning » (article s41467-026-76811-x), propose de contraindre l'entraînement par la statistique d'une observable révélatrice du caractère extrême. Les auteurs, le doctorant Kai Chang et le professeur Themis Sapsis du MIT Center for Computational Science and Engineering, ont intégré cette contrainte comme terme 1-Wasserstein dans la fonction de perte. Comme Kai Chang l'a expliqué à MIT News, l'objectif est de « modéliser des événements extrêmes et sans précédent que personne n'a jamais vus, qui ne sont pas dans le jeu de données ».

La méthode a été testée sur une tâche de descente d'échelle des précipitations à partir du jeu de données ERA5-Land : précipitations totales horaires sur les États-Unis continentaux de 1999 à 2023, agrégées en cartes journalières. La partie spatiale du modèle a été entraînée uniquement sur les six premiers mois de la série, une fenêtre qui, selon le MIT, ne contenait presque aucun exemple de pluies extrêmes. L'évaluation a porté sur 9 044 cartes appariées en haute et basse résolution. L'approche est née pour aider les planificateurs à chiffrer des scénarios du pire sans précédent historique, comme « le Katrina qui survient tous les cent ans » cité par Themis Sapsis. Le communiqué du MIT pose le problème sous forme de question : si la pluie la plus extrême jamais enregistrée à New York est de 200 millimètres, quelle tempête en produirait 300 ? C'est la formulation de la question, non un résultat produit par le modèle.

Cette capacité à dépasser les données historiques a néanmoins un coût en fidélité ponctuelle. D'après les chiffres du préprint sur arXiv (dont la comparaison avec la version définitive parue dans Nature Communications n'a pas été possible, celle-ci étant payante), l'ajout de la contrainte statistique réduit la fidélité ponctuelle par rapport à un entraînement classique fondé sur la seule erreur quadratique moyenne (MSE). Sur l'ensemble du champ, l'erreur quadratique moyenne (RMSE) passe de 2,878 à 3,112 (+8,13 %) et l'indice de similarité structurelle (SSIM) descend de 0,947 à 0,944. Sur les sous-ensembles de queue — quantiles ≥0,95, ≥0,975 et ≥0,99 — la hausse du RMSE va de 9,21 % à 10,30 %, tandis que la perte de SSIM reste sous 0,48 %. Sur les sous-ensembles de bulk, le RMSE croît de 6,20 à 6,92 % : la précision se dégrade partout, mais elle se dégrade davantage là précisément où la méthode devrait apporter quelque chose. Parmi les limites reconnues par les auteurs eux-mêmes figurent l'impossibilité de déterminer sans ambiguïté la position spatiale des événements extrêmes à partir d'une observable scalaire, la dépendance critique à une spécification correcte de la distribution de référence et l'absence d'identification des mécanismes physiques générateurs.

Le travail, financé par une Vannevar Bush Faculty Fellowship et par l'U.S. Air Force Office of Scientific Research, ouvre à des applications théoriques dans la navigation robotique et sur les marchés financiers. La méthode est démontrée sur une seule variable, les précipitations, et une seule zone, les États-Unis continentaux, avec des données de réanalyse plutôt que des observations directes ; le MIT lui-même écrit que l'étendre à d'autres aléas exige des statistiques et des cartes propres à cet aléa. Aucune validation indépendante hors du groupe des auteurs n'est connue, ni aucun usage opérationnel par des organismes de protection civile ou des agences météo.

Le compromis est annoncé : quelques points de précision cédés partout, en échange de scénarios que les données historiques ne contiennent pas. Savoir si le jeu en vaut la chandelle dépend de la ressemblance entre la distribution de référence choisie en amont et la réalité — le point même que les auteurs désignent comme critique.

— Olya