Optimisation de l’horizon de prédictibilité des évènements extrêmes par "Deep Learning"

Des vagues scélérates aux vents violents, les événements extrêmes peuvent perturber les systèmes naturels et les activités humaines sans avertissement. Bien que ces événements semblent imprévisibles, ils émergent souvent des dynamiques complexes des systèmes chaotiques, en particulier du chaos spatiotemporel, où des motifs se déploient dans le temps et l'espace. Dans cette thèse, nous étudions les événements extrêmes dans des systèmes optiques, en nous concentrant sur un résonateur à fibre optique modélisé par l'équation de Lugiato-Lefever. Ce système offre un environnement contrôlé pour analyser les comportements chaotiques à l'origine de ces phénomènes.Les récents progrès en apprentissage automatique, notamment avec les réseaux de neurones, offrent de nouveaux outils pour prédire les dynamiques chaotiques. Cependant, la prévision à long terme reste difficile en raison de l'imprévisibilité inhérente au chaos. Nous proposons d'étendre l'horizon de prédiction en utilisant des méthodes de théorie de l'information, telles que l'entropie de transfert, pour identifier les régions locales contribuant aux événements extrêmes et améliorer la précision des prévisions.En outre, nous examinons les dynamiques turbulentes générées par les solitons dans ces systèmes, en proposant des explications sur leur apparition et leur évolution. Notre analyse offre de nouvelles perspectives sur le comportement chaotique. Enfin, nous proposons d'appliquer ces méthodes aux dynamiques du vent en situation réelle pour améliorer les prévisions et approfondir la compréhension des systèmes chaotiques naturels.