Publié le 19 décembre 2025 18h55. Face à la dégradation rapide des écosystèmes, un doctorant de l’Arizona State University a développé une méthode d’intelligence artificielle capable de prédire avec une précision accrue les risques d’effondrement, même avec des données limitées.
- Une nouvelle approche d’apprentissage automatique permet de doubler la précision des prédictions écologiques en utilisant jusqu’à sept fois moins de données.
- Cette avancée pourrait améliorer la modélisation de phénomènes complexes comme la circulation de renversement méridional atlantique (AMOC) et la propagation des épidémies.
- La méthode, basée sur le méta-apprentissage, enseigne aux algorithmes à apprendre de différentes tâches, simulant ainsi la capacité humaine à intégrer l’expérience.
La capacité à anticiper les changements environnementaux est devenue cruciale pour limiter les conséquences néfastes sur la société et les écosystèmes. Les récifs coralliens, particulièrement vulnérables, en sont un exemple frappant : 84 % d’entre eux sont touchés par le blanchissement des coraux, un signe de stress lié au réchauffement des eaux, à la pollution et à la surpêche. Le 4e Congrès international sur les récifs coralliens, prévu en 2025, devrait aborder ces enjeux.
Or, la rareté et l’incomplétude des données écologiques constituent un obstacle majeur au développement de modèles d’apprentissage automatique performants. C’est dans ce contexte que Zheng-Meng Zhai, doctorant en génie électrique à l’Arizona State University, a développé une nouvelle approche. Ses travaux, menés sous la direction du professeur Ying Cheng Lai, ont été publiés dans la prestigieuse revue Proceedings of the National Academy of Sciences (PNAS), témoignant de leur impact potentiel.
« L’apprentissage automatique nécessite normalement beaucoup de données pour fonctionner correctement », explique Zhai.
« Le décalage avec les données rares généralement disponibles sur les systèmes écologiques nous a motivé à rechercher une méthode capable de faire de bonnes prédictions lorsque les données sont rares. »
Zheng-Meng Zhai, doctorant en génie électrique à l’Arizona State University
Sa recherche a permis d’améliorer significativement la précision des algorithmes d’apprentissage automatique, en utilisant de cinq à sept fois moins de données que la norme. Cette avancée a des applications potentielles dans de nombreux domaines où l’on analyse des séries chronologiques, c’est-à-dire des mesures répétées d’une même variable au fil du temps. Par exemple, la modélisation des courants océaniques, comme la Circulation de renversement méridional atlantique (AMOC), pourrait bénéficier de cette nouvelle méthode. L’AMOC, un système de courants marins essentiel à la régulation du climat en Europe et en Amérique du Nord, est difficile à étudier en raison du manque de données à long terme.
Au-delà de la science du climat, cette approche pourrait également être appliquée à la modélisation de la propagation des épidémies, aidant ainsi les autorités sanitaires à prendre des mesures préventives, ou encore à l’optimisation des réseaux de transport.
Pour surmonter les difficultés liées au manque de données, Zhai et Lai ont mis au point une méthode de méta-apprentissage. Contrairement aux algorithmes traditionnels, qui apprennent une tâche spécifique à partir d’un seul ensemble de données, le méta-apprentissage permet aux algorithmes d’apprendre à apprendre, en intégrant l’expérience acquise à partir de multiples tâches connexes. Zhai a entraîné le système en utilisant une variété d’ensembles de données synthétiques, générés par ordinateur pour simuler des conditions réalistes et imprévisibles.
Grâce à cette exposition à des données synthétiques, un algorithme d’apprentissage automatique formé au méta-apprentissage est capable d’interpréter et de tirer des conclusions à partir de systèmes écologiques, même en l’absence de données abondantes. Cet apprentissage est rendu possible par l’utilisation de réseaux neuronaux à réaction différée, des systèmes informatiques conçus pour imiter le fonctionnement du cerveau humain.
« Zheng-Meng est devenu un expert de premier plan dans l’application de l’apprentissage automatique aux systèmes dynamiques complexes et non linéaires », souligne Lai.
« Il est reconnu comme une étoile montante dans ce domaine interdisciplinaire. »
Ying Cheng Lai, professeur à l’Arizona State University
Zhai, qui a déjà publié plus de dix articles dans des revues scientifiques telles que Nature Communications et PRX Energy, prévoit de poursuivre ses recherches dans ce domaine, en élargissant ses travaux à d’autres types de comportements systémiques, tels que les instabilités climatiques, l’effondrement des écosystèmes et la vulnérabilité des infrastructures.
Zhai se dit honoré de voir ses travaux publiés dans PNAS.
« Voir notre travail reconnu par PNAS est profondément gratifiant et représente une étape importante dans mon parcours académique. J’espère que la publication dans une revue aussi visible présentera notre approche à un public scientifique plus large, encouragera la collaboration et inspirera les recherches futures sur les systèmes limités en données. »
Zheng-Meng Zhai, doctorant en génie électrique à l’Arizona State University
Pour aller plus loin
