Academics

Laboratoire de Physique : Valérian Jacques-Dumas, Patrice Abry, Pierre Borgnat, Freddy Bouchet, Francesco Ragone, Dario Lucente
Centre Blaise Pascal : Emmanuel Quémener

“L'étude et l'observation du climat conduit à de grandes masses de données d'observation ou de simulation qui doivent permettre de prédire ou modéliser des événements climatiques. C'est un des objectif du projet ACADEMICS, en particulier de développer des méthodes de machine learning pour prédire des événements extrêmes. Vue la résolution, l'objectif est de prédire des probabilités d'événements. On appelle alors fonction committor d'un système dynamique la probabilité pour une trajectoire de passer dans une zone donnée de l'espace des phases avant une autre. La probabilité qu'un événement extrême survienne dans un certain intervalle de temps est précisément une fonction committor. Celle-ci est déterminée à partir de lourdes simulations climatologiques (plusieurs centaines de Go) mais leur dimensionnalité est telle qu'elle interdit l'utilisation de toute méthode analytique. L'objectif est donc ici de tester des méthodes de deep learning pour apprendre cette fonction committor.”

Contribution du CBP

Le Centre Blaise Pascal fournit :

  • un environnement de machine learning à base de Tensorflow
  • un environnement Matlab pour exploiter tous les développements existant
recherche/projets/academics2020.txt · Dernière modification: 2020/01/31 16:40 par equemene