En un peu plus d'un an d'exploitation scientifique, le JWST a déjà révolutionné notre compréhension des exoplanètes et de leurs atmosphères. La mission spatiale ARIEL, qui sera lancée en 2029, contribuera en temps voulu à cette révolution. L'une des principales découvertes rendues possibles par la qualité exceptionnelle des données du JWST est que les atmosphères des exoplanètes sont en déséquilibre chimique. Un traitement complet du déséquilibre est à la fois complexe et coûteux sur le plan computationnel. Dans un premier temps, notre projet étudiera numériquement l'étendue du déséquilibre chimique dans les atmosphères des cibles du JWST. Nous utiliserons à cette fin un modèle photochimique développé chez nous. Dans un second temps, notre projet explorera les techniques de Machine Learning (ML) pour émuler les sorties du modèle photochimique complet à un coût de calcul réduit. Les performances de l'émulateur basé sur le ML seront analysées dans le but ultime de l'intégrer dans les modèles de inversion atmosphérique. Le projet proposé combine la physique et la chimie sophistiquées des atmosphères d'exoplanètes avec les développements de nouvelles techniques numériques.