Le transport optimal est une méthode de comparaison des distributions de probabilité, utilisée dans diverses disciplines, y compris l'économie, l'apprentissage automatique et la biologie. Néanmoins, résoudre les problèmes de transport optimal est coûteux en calcul, ce qui a incité à introduire le transport optimal entropique. Cette dernière approche incorpore un terme de régularisation entropique pour faciliter des calculs plus abordables et efficaces. La sélection du paramètre de régularisation $\e$ devient alors une préoccupation pratique. Une régularisation plus faible est préférée pour la précision mais est souvent associée à une convergence plus lente, établissant un compromis entre le taux de convergence et la précision. Dans le cadre du transport optimal semi-discret, nous introduisons un algorithme de Descente de Gradient Stochastique, incorporant un schéma de régularisation décroissante.