Plutôt que de produire des mots, le modèle d’intelligence artificielle Evo 2 est capable de prédire une base d’ADN en se fondant sur une séquence donnée. Lancé, il y a un peu plus d’un an, le modèle s’affine et permet aux scientifiques de mieux comprendre le langage de l’ADN. Sa puissance de calcul pose néanmoins des questions de ressources énergétiques.

Si vous avez déjà utilisé un modèle de langage comme ChatGPT ou Mistral, vous vous souvenez sans doute de la première impression : orthographe impeccable, grammaire fluide, phrases qui ont du sens. Pourtant, sous le capot, ces systèmes ne font qu’une chose très simple : prévoir dans une phrase le mot qui va suivre. Ils utilisent des statistiques apprises sur un immense corpus de textes, et c’est ainsi qu’ils « parlent » français, anglais et bien d’autres langues.

Une idée féconde a alors germé chez les généticiens : et si l’on entraînait la même classe de modèles pour apprendre le langage de la vie, la suite de lettres A, T, G, C, inscrite dans nos génomes ? C’est le pari des modèles de langage génomiques : ils apprennent la grammaire cachée de l’ADN et offrent à la recherche un allié précieux pour explorer, proposer et tester plus vite des hypothèses scientifiques.

Que fait un modèle d’IA ?

Un algorithme d’intelligence artificielle (IA) est, au fond, une machine à transformer des nombres. Les données d’entrée, qui peuvent être des images, des sons ou du texte, sont d’abord encodées en chiffres. Puis l’algorithme applique des opérations simples (additions et multiplications par des paramètres internes au réseau et seuillage) et renvoie les résultats (d’autres chiffres) en sortie. À grande échelle, cette mécanique très simple suffit à jouer au go, à conduire une voiture… ou à comprendre les génomes.

L’astuce, ce n’est pas seulement l’encodage : c’est surtout l’apprentissage. Le modèle ajuste ses paramètres internes à chaque exemple (association entre une entrée et une sortie cible), un peu comme on accorde un instrument : à chaque note jouée, on tend ou détend la corde jusqu’à ce que la mélodie sonne juste.

Les applications de ce principe simple sont multiples et variées. Au jeu de go, l’IA regarde la position des pierres (un tableau de chiffres) et propose le prochain coup ; dans une phrase, le modèle suggère le prochain mot. En génomique, il lit A T G C… et prédit la prochaine base. Si ses prédictions sont bonnes, c’est qu’il a appris quelque chose sur la structure cachée du problème qu’il résout.

Les premiers modèles de langages génomiques

C’est en suivant ce principe que les premiers modèles de langage génomiques ont été entraînés en utilisant des génomes à la place des corpus de texte. Une des versions les plus récentes, Evo 2, a été développée par une large équipe autour du centre de recherche Arc Institute, dans la Silicon Valley. Ce modèle a été entraîné sur de nombreux génomes, comptabilisant près de 10 000 milliards de bases (les fameuses lettres A,C,G,T) ce qui représente 3 000 fois la taille de notre génome.

Le modèle lit à chaque étape un million de bases et le calcul revient toujours à la même question très simple : parmi les quatre lettres possibles (A, C, G ou T), laquelle est la plus probable juste après celles que l’on vient de lire ? La taille gigantesque de sa « fenêtre de lecture » lui permet de saisir à la fois des règles locales et des dépendances lointaines (régulations des gènes à distance). Ce saut d’échelle n’est pas qu’une prouesse technique : il change la manière dont on peut poser des questions en biologie, notamment dans ces régions non codantes (celles qui ne sont pas traduites en protéines) qui restent souvent incomprises et constituent la « matière noire » du génome.

Dans la pratique, l’apprentissage ressemble à une partie de devinettes : à chaque fois que le modèle devine correctement une lettre masquée au sein d’une séquence, il renforce les chemins internes qui l’y ont mené ; lorsqu’il se trompe, il corrige ces chemins. À force, il repère des schémas récurrents : certains motifs précèdent souvent le début d’un gène, d’autres signalent la fin, et certains motifs de la séquence trahissent la façon dont la cellule découpe l’ARN (l’épissage) ou assemble la machinerie de traduction des ARN en protéines.

L’apprentissage se fait d’abord à l’échelle globale. Le modèle lit une grande diversité de génomes et apprend une grammaire générale du vivant. Ensuite, on peut éventuellement l’adapter à une famille d’organismes ou à une question précise (par exemple, en le spécialisant sur un groupe de virus ou de bactéries).

L’IA apprend la grammaire cachée de l’ADN

C’est ici que la recherche s’enthousiasme : en apprenant juste à compléter les séquences, les modèles reconnaissent des signatures biologiques sans qu’on les leur ait pointées du doigt.

Ils retrouvent la périodicité en trois lettres du code génétique : le texte du vivant se lit par triplets (les codons), et les modèles « entendent » ce rythme, comme une mesure en musique. Ils repèrent aussi les départs et arrêts de gènes, avec des contraintes fortes sur les lettres les plus importantes, où l’on s’attend à ce que l’erreur soit rare. Ils détectent des signaux utiles à la machinerie cellulaire : chez les bactéries, les sites de liaison du ribosome ; chez les eucaryotes, les frontières entre exons (conservés) et introns (séquences à retirer), comme si le modèle distinguait les paragraphes et les espaces dans un texte.

Plus étonnant, ils révèlent aussi les éléments mobiles (par exemple, des virus intégrés au génome au cours de l’évolution) et même des empreintes liées aux formes 3D des protéines (hélices α, feuillets β) et des ARN. Le modèle dessine alors les contours de la sculpture finale. Car c’est bien de sculpture qu’il s’agit.

Le génome ne contient pas seulement des instructions – il encode des formes. Une protéine, un ARN, ne sont pas de simples colliers de lettres : ils se replient, se tordent, se nouent dans l’espace pour adopter une architecture précise, dont dépend leur fonction. C’est cette forme qui permet à une molécule de reconnaître une autre, de s’y accrocher, de déclencher une réaction. Les contacts qui stabilisent cette forme se font parfois entre des régions très éloignées dans la séquence – et pourtant, les modèles semblent capables de les capturer, comme s’ils devinaient, à force de lire le texte, quelles lettres se correspondent malgré la distance qui les sépare.

Ce qui peut surprendre, c’est que ces découvertes n’ont pas été enseignées : elles émergent spontanément de l’apprentissage. Et parfois, paradoxalement, quand on essaie d’affiner le modèle en lui montrant des exemples bien connus, il perd une partie de ce qu’il avait trouvé seul. Comme si trop guider l’élève lui faisait oublier ce qu’il avait intuitivement compris.

Pour rendre cette « boîte noire » plus lisible, les chercheurs utilisent des « autoencodeurs clairsemés » qui décomposent les représentations internes du modèle en traits compréhensibles. Chaque trait s’allume comme une lampe au-dessus d’un élément de séquence (exon, motif, élément mobile). Ces traits servent de fil d’Ariane. Ils indiquent où le modèle a vu un signal, de quel type il est et comment il varie d’un organisme à l’autre. On peut même transférer ces traits vers des génomes peu étudiés, ouvrant la voie à des atlas fonctionnels multi‑espèces construits de manière plus rapide et moins coûteuse que par les approches classiques.

Dans nos propres recherches, Evo 2 est surtout un point de comparaison : il montre jusqu’où peut aller un très grand modèle quand on lui donne énormément de données et de puissance de calcul. Il faut aussi voir que cette démonstration a une dimension vitrine pour Nvidia, le plus gros fabricant de processeurs pour l’IA, qui a mis sa puissance de calcul au service de l’Arc Institute pour concevoir Evo 2. L’idée sous-jacente est de montrer qu’il faut des modèles gigantesques et des infrastructures de calcul hors normes pour déchiffrer le secret de la vie. Le résultat est impressionnant, mais ce n’est pas forcément le seul chemin possible pour faire avancer la biologie.

Nous avons justement lancé le projet PLANETOID, financé dans le cadre de France 2030, pour explorer une stratégie complémentaire : construire des modèles beaucoup plus petits, plus rapides, plus faciles à entraîner et à déployer dans des laboratoires académiques. L’objectif est d’exploiter des données de biodiversité riches, produites par nos partenaires – en particulier au Muséum national d’histoire naturelle et dans les stations marines – afin d’annoter des génomes et des métagénomes (des ensembles de génomes) à l’échelle de l’arbre du vivant, y compris pour des espèces dites « non modèles », qui représentent l’immense majorité du vivant, mais restent souvent mal comprises.

PLANETOID vise aussi à produire des ressources et des outils réutilisables, pour que ces approches ne restent pas réservées à quelques acteurs capables de mobiliser des moyens industriels, mais puissent irriguer la recherche publique, puis à terme la santé et l’environnement.

Le futur : estimer l’effet d’une mutation ou écrire de nouveaux génomes

Parce qu’un modèle de langage assigne une vraisemblance à chaque séquence, il devient possible de comparer la version de référence et une version mutée. Si la mutation fait chuter la vraisemblance, elle devient suspecte. Ce score agit comme une carte pour guider les chercheurs : il montre des zones où une variation risque de perturber une fonction et oriente les expériences à prioriser.

Une autre application a le vent en poupe : la génération de séquences « fonctionnelles » in silico. Les chercheurs ont montré qu’on peut composer du texte génétique qui a toutes les caractéristiques de génomes naturels. Toutefois cette pratique soulève d’importantes questions éthiques (risques eugénistes, possibilité de virus synthétiques…) et doit rester strictement encadrée – c’est un sujet de société plus qu’un enjeu immédiat de recherche.

Julien Mozziconacci est professeur au Muséum National d'Histoire Naturelle et membre junior de l'Institut Universitaire de France. Il a reçu des financements de l'Agence Nationale de la Recherche (ANR, France 2030, PostGenAI@Paris). Les points de vue et opinions exprimés sont toutefois ceux des auteurs uniquement et ne reflètent pas nécessairement ceux des instituts qui les ont financés.

Élodie Laine ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

L’affaire « StravaLeaks » montre que, dans un monde saturé d’objets connectés et de données de localisation, les traces numériques ordinaires sont devenues un enjeu central de sécurité pour les environnements sensibles. De simples données de déplacement issues d’un footing, enregistrées et partagées par une application publique, ont pu être utilisées pour localiser des navires ou des bases militaires.

Un footing, en apparence, n’a rien de sensible. Pourtant, en mars 2026, une activité enregistrée sur Strava par un militaire français a permis de localiser en temps quasi réel le porte‑avions Charles-de-Gaulle en Méditerranée orientale. Dès 2018, la carte de chaleur mondiale de Strava – une visualisation agrégée des activités publiques enregistrées par ses utilisateurs – avait déjà révélé des bases militaires et des sites sensibles, et des enquêtes plus récentes ont montré que les pratiques sportives de gardes du corps pouvaient trahir des habitudes de déplacement de chefs d’État.

Le problème ne vient pas d’un piratage sophistiqué, mais d’un usage banal de montre connectée, compte public et trace GPS accessible en ligne. Ce cas illustre comment la sécurité d’aujourd’hui ne se limite plus à la protection physique, mais inclut aussi la maîtrise des traces numériques produites par nos comportements les plus ordinaires.

Quand une application déborde de son usage initial

Strava est une application conçue pour suivre et partager des performances sportives. Son usage premier relève du loisir, de la sociabilité numérique et du suivi de soi, non de la documentation d’activités sensibles. C’est pourtant là toute l’ambivalence de ce type d’outils car sans avoir été pensés pour la sécurité, ils peuvent produire des effets très concrets sur elle.

À mesure que les technologies de traçabilité s’installent dans les usages quotidiens, elles cessent d’apparaître comme des dispositifs de contrôle. Elles deviennent des outils familiers, associés au confort ou à l’optimisation des pratiques. Dès lors, une course, un itinéraire répété, un point de départ ou d’arrivée ou une activité enregistrée en mer peuvent révéler bien davantage qu’une simple pratique sportive. Une donnée de performance peut devenir un indice sur une routine, une présence ou une habitude de déplacement.

Le cas Strava n’est d’ailleurs pas isolé. À l’aéroport d’Heathrow (Londres), en 2014, des toilettes connectées ont été testées pour mesurer anonymement leur fréquentation, améliorer le nettoyage et mieux répartir les moyens de maintenance. L’exemple peut sembler éloigné, mais il montre que, au-delà des outils explicitement sécuritaires, des dispositifs connectés collectent eux aussi discrètement des traces numériques sur les comportements des usagers. En ce sens, la vulnérabilité ne naît plus seulement d’une attaque ou d’une fuite volontaire, mais aussi d’usages ordinaires dont les effets de visibilité sont souvent sous-estimés.

La sécurité ne se joue plus seulement sur le terrain

Longtemps, la sécurité a été pensée selon un modèle essentiellement physique. Il fallait protéger une personne, sécuriser un déplacement, contrôler un périmètre, anticiper une menace. Cette logique est toujours d’actualité mais, à l’ère numérique, elle ne suffit plus.

Dans un environnement saturé d’objets connectés, de plateformes et de données de localisation, la vulnérabilité peut désormais naître à la périphérie du dispositif de protection. Elle ne résulte plus forcément d’une intrusion ou d’une action malveillante. Elle peut venir d’un usage mal paramétré, d’une routine numérique non interrogée ou d’un outil utilisé sans conscience de ses effets de visibilité.

La sécurité d’un responsable politique, d’un chef d’entreprise, d’un diplomate ou d’un site sensible dépend donc aussi des traces numériques produites par son environnement humain et technique : assistants, chauffeurs, escortes, collaborateurs, militaires, objets connectés, applications de suivi ou réseaux de partage. Protéger une « personne sensible », une personnalité, aujourd’hui, ce n’est plus seulement protéger son corps ou son itinéraire. C’est aussi protéger l’écosystème informationnel qui l’entoure.

Cette évolution renvoie à une sécurité de plus en plus renforcée par la technologie via les capteurs, les données et les outils de suivi. Mais l’ajout de technologie ne supprime pas la vulnérabilité. C’est justement le problème d’une lecture technosolutionniste qui surestime la complémentarité humain-machine. Elle rappelle au contraire qu’une technologie n’est efficace qu’à condition d’être articulée à l’analyse humaine, à l’expérience de terrain et à une compréhension fine du contexte. Certes, la technologie renforce donc la vigilance, mais elle ne remplace ni le jugement, ni la formation, ni la culture du risque.

La vulnérabilité observée est également organisationnelle, culturelle et humaine. Elle naît d’une forme de non-concordance entre la banalité des usages numériques (courir avec une montre connectée, par exemple) et la sensibilité des environnements dans lesquels elles s’inscrivent (être dans un endroit classifié secret-défense). Un même outil peut être perçu comme un outil de confort ou de performance tout en produisant des effets d’exposition importants.

Former devient donc aussi important qu’équiper dans la mesure où il ne s’agit pas seulement d’interdire certains usages, mais plutôt de faire comprendre comment une trace numérique par définition invisible peut, par agrégation et recoupement, devenir une information sensible. La sécurité ne se joue donc plus dans le contrôle des outils, mais dans l’intelligence des pratiques.

Réintégrer l’humain au centre de la doctrine de sécurité

L’un des principaux enseignements de ces affaires est qu’aucune technologie ne protège à elle seule. Une application, une montre connectée ou un dispositif de géolocalisation ne sont ni bons ni mauvais en soi. Comme le montre la recherche, tout dépend du cadre dans lequel ils sont utilisés, des règles qui les entourent et de la capacité des acteurs à en comprendre les effets. Raison pour laquelle la réponse ne peut pas être juste « technique ».

Elle suppose aussi une doctrine d’usage, une formation adaptée et une culture sécuritaire partagée. À l’inverse la traçabilité peut aussi renforcer la protection, mais elle ne remplace ni l’analyse humaine, ni l’appréciation du contexte, ni les méthodes classiques de sécurité.

Autrement dit, la sécurité des environnements sensibles repose sur une complémentarité entre l’outil et l’humain. Il ne suffit pas de déployer des dispositifs ; encore faut-il que les utilisateurs comprennent ce qu’ils produisent, ce qu’ils exposent et les conséquences possibles de leurs usages entre une possible surveillance et une souveillance, c’est-à-dire une forme plus discrète de captation des traces intégrées aux gestes ordinaires et parfois à peine perçue par ceux qui y participent.

Dans le cas Strava, l’enjeu n’est donc pas seulement de mieux paramétrer une application. Il est de construire une culture du risque numérique, capable d’intégrer les gestes les plus ordinaires à la réflexion sécuritaire.

Ce que la recherche nous enseigne en lien avec ces cas est que la vraie leçon de ces affaires est peut-être là : dans un monde connecté, la menace ne réside pas seulement dans ce que l’on cherche à cacher, mais aussi dans ce que l’on produit sans y penser.

Ces affaires dites « StravaLeaks » montrent que la traçabilité numérique, loin d’être un simple confort d’usage, peut devenir un enjeu de sûreté dès lors qu’elle s’inscrit dans un environnement sensible. Protéger, aujourd’hui, ce n’est plus seulement verrouiller un périmètre ou escorter une personnalité. C’est aussi apprendre à gouverner les traces que produisent les usages les plus ordinaires.

Fabrice Lollia ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Le dimanche 29 mars a eu lieu l’inauguration en grande pompe du nouvel espace World of Frozen, inspiré de la franchise de films d’animation éponyme, dans le parc secondaire de Disneyland Paris rebaptisé pour l’occasion Disney Adventure World. Mais derrière cette extension historique du parc parisien, dans laquelle a été recréé un fjord, ainsi qu’une une « Montagne du Nord » de 36 mètres de haut, ce sont les objets géologiques emblématiques de l’environnement scandinave et alpin qui sont mis en avant et ainsi rendus visibles pour le grand public.

Rappelez-vous le film La Reine des Neige, dans lequel après avoir révélé ses pouvoirs, le personnage principal, Elsa, se réfugie dans un palais de glace qu’elle bâtit au creux de la Montagne du Nord. C’est cette Montagne du Nord, plus vraie que nature et culminant à 36 mètres de haut, qui a été recréée en surplomb du « Monde de la Reine des Neiges ». Si cet élément de décor n’a bien sûr rien de naturel dans sa fabrication, il reprend l’ensemble des formes et des types de roches présents dans la représentation imaginaire de l’environnement nordique et alpin.

Ainsi, le premier élément visible pour le visiteur qui découvre le World of Frozen est cette montagne sous la forme d’un pic pyramidal presque parfait. Cette représentation du pic montagneux « idéal » est directement inspirée du sommet du Cervin dans les Alpes Suisses (ou Matterhorn en allemand).

Le Cervin est une montagne devenue emblématique depuis les débuts de l’alpinisme et sa première ascension en 1865. La forme pyramidale du Cervin est issue de la combinaison entre l’érosion différentielle, c’est-à-dire l’érosion qui affecte différemment les roches en fonction de leur résistance relative, et la structure tectonique même des Alpes. Le Cervin est situé au centre de la chaîne alpine au cœur d’une large nappe de charriage, c’est-à-dire un ensemble géologique qui a subi un large déplacement latéral : la nappe de la Dent Blanche. Les roches qui composent le Cervin sont essentiellement des gneiss et des granites dans sa partie basale – des roches très dures – tandis que sa petite partie sommitale est constituée de paragneiss et de schistes bien plus facilement érodés. Les gneiss et granites très durs qui composent sa base ont permis l’émergence d’arêtes très nettes, qui ont amenés à cette forme pyramidale aujourd’hui caractéristique et reconnaissable entre toutes.

Volcan éteint et légende arthurienne

Une fois passé ce premier sommet emblématique, le regard du visiteur se déplace vers un relief qui s’adoucit : une succession de collines et de plateaux dont la base est clairement inspirée par les orgues basaltiques.

Ce paysage de collines douces et de pentes herbeuses qui surplombent un alignement basaltique et des habitations typiques est comparable au relief volcanique d’Arthur’s Seat à Édimbourg, en Écosse. Au bout du Royal Mile et jouxtant le palais de Holyrood, le relief d’un ancien volcan marque le paysage écossais. Cet ancien relief volcanique présente à sa base des orges basaltiques typiques, issus du refroidissement rapide des coulées volcaniques, et des sommets herbeux adoucis.

À lire aussi : Images de science : d’où viennent les orgues basaltiques ?

Moins connu en France que le Cervin, Arthur’s Seat (ou Trône d’Arthur en traduction littérale) n’en est pas moins emblématique, faisant directement référence à la légende arthurienne.

A la différence du Cervin, à composition essentiellement gneissique et granitique, Arthur’s Seat est donc de composition volcanique basaltique. C’est dans cette juxtaposition entre un soubassement volcanique, sur lequel s’adosse un village typique, et un sommet pyramidal que vient s’ancrer la reconstitution des reliefs emblématiques du land. Dans la nature, il serait peu probable de retrouver un sommet gneissique surplombant directement une coulée volcanique. En revanche, la juxtaposition de sommets mythiques par leur forme fonctionne, car elle fait appel à notre imaginaire tout en s’appuyant sur des images bien ancrées dans les représentations partagées de la montagne et des paysages nordiques.

Le fjord, vallée mythique de Scandinavie

L’ensemble du nouvel espace World of Frozen, qui s’étend au pied de la Montagne du Nord s’articule autour d’un fjord recréé de toutes pièces, offrant aux visiteurs un nouveau lieu de spectacle.

Le fjord est une figure géomorphologique majeure des côtes scandinaves, issue de la combinaison complexe entre l’érosion glaciaire et la remise en eau des vallées. C’est une avancée de la mer à l’intérieur des terres, entourée de reliefs escarpés façonnés par l’érosion glaciaire.

Lors de la dernière glaciation, la calotte glaciaire descendait très au sud depuis les pôles. Les glaciers creusent alors, partout en Europe de l’Ouest, les typiques vallées glaciaires en U ou vallées en auges, caractérisées par de grandes parois abruptes et un fond plat. Ces vallées sont également très profondes en raison de la baisse simultanée du niveau des mers et des océans, qui crée un déséquilibre : les fleuves et les glaciers doivent creuser davantage pour retrouver le niveau de base des mers, dont l’eau est alors retenue sur les calottes polaires.

Lorsque la dernière glaciation prend fin il y a environ 10 000 ans, les glaciers fondent partout en Europe. L’eau, désormais sous forme liquide, entraîne une remontée du niveau des mers et des océans. Survient alors la mise en eau des vallées glaciaires abandonnées qui deviennent des fjords en Scandinavie. Mais si les fjords sont essentiellement présents sur les côtes de la Norvège et de l’Islande, ils existent aussi bien plus près de nous en France, on les appelle abers en Bretagne et calanques en Provence.

Les trolls, ou le folklore de l’érosion

Les trolls sont présents partout dans le Monde de la Reine des Neiges : dans l’attraction Frozen Ever After bien sûr, mais aussi sous forme de personnage dans le land et même disponibles à l’achat sous forme de figurines interactives à ramener chez soi. Dans La Reine des Neiges, les trolls sont des créatures rondes, trapues, qui se confondent volontiers avec des rochers. Ce n’est pas une invention fortuite des scénaristes, mais le reflet fidèle d’une croyance très ancienne du folklore scandinave, elle-même enracinée dans l’observation des paysages de granite érodé de Norvège, de Suède et du Danemark.

La légende veut que les trolls, surpris par la lumière du soleil, soient transformés en pierre. C’est pourquoi, partout en Norvège, des formations rocheuses arrondies évoquent leurs silhouettes : une main, un dos, un gros nez. Pour les populations nordiques, ces blocs de granite aux formes anthropomorphes n’étaient pas le fruit du hasard géologique, ils étaient les restes pétrifiés de créatures nocturnes trop lentes à regagner leurs cavernes.

La réalité géologique de ces formes est tout aussi remarquable que le mythe. Les granites, roches magmatiques intrusives formées en profondeur par cristallisation lente d’un magma, présentent des fractures naturelles qui les découpent en blocs lors de leur mise en place. L’altération, sous l’action du gel, de l’eau, de la végétation et des glaciers, attaque préférentiellement les angles et les arêtes. C’est le phénomène d’érosion en boule : les coins disparaissent les premiers, et le bloc cubique se transforme progressivement en boule. On parle alors de boules de granite, ou parfois de chaos granitiques lorsqu’elles s’accumulent en amas spectaculaires.

La géologie nordique à la portée du grand public

Avec l’ouverture de son nouvel espace consacré à la Reine des Neiges, Disney s’inspire une nouvelle fois des paysages et de la géologie qui nous entourent pour ancrer ses récits et ses décors dans un imaginaire partagé. Sans le savoir, le visiteur qui franchit les portes de cet univers est immergé dans un condensé d’objets géologiques qui font appel aux interactions entre tectonique, volcanisme et processus érosifs à l’œuvre dans le nord de l’Europe.

À lire aussi : Disneyland Paris, un parc d’attractions… inspiré de merveilles géologiques réelles

Le monde de la « Reine des Neiges », en reconstituant une montagne enneigée de trente-six mètres de hauteur surplombant un fjord, offre ainsi aux visiteurs une forme d’expérience géologique. Les enfants qui découvriront le château de glace d’Elsa, les falaises sombres de basalte et les trolls de pierre marcheront ainsi, sans le savoir, sur les traces du Cervin, des fjords norvégiens, d’Arthur’s Seat et des granites de Scandinavie !

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.