Bien avant que des taches solaires sombres n’apparaissent à la surface du Soleil, une nouvelle région active — d’où peuvent provenir de puissantes éruptions solaires — commence à montrer des signes subtils de sa formation.
Aujourd’hui, des chercheurs affirment qu’un nouveau modèle d’intelligence artificielle peut détecter ces signaux précoces et prévoir l’émergence de régions actives solaires près de neuf heures à l’avance en moyenne.
Dans une étude publiée le 14 août dans la revue Journal of Geophysical Research: Machine Learning and Computation, une équipe de recherche dirigée par le New Jersey Institute of Technology (NJIT) présente un modèle d’intelligence artificielle, baptisé EarlyDetect, capable d’identifier des signaux précurseurs de l’émergence de régions actives dans l’activité acoustique et le champ magnétique du Soleil.
Jusqu’à présent, les scientifiques peinaient à capturer de tels signaux.
Jonas Tirona, étudiant-chercheur de premier cycle au NJIT et auteur correspondant de l’étude, a développé cette approche avec des informaticiens et des physiciens solaires du NJIT, ainsi qu’avec des collaborateurs de l’université de Princeton et du centre de recherche Ames de la NASA, en utilisant les observations de l’observatoire de dynamique solaire (SDO) de la NASA.
« Ce que ce travail montre de plus précieux, c’est que nous pouvons utiliser l’apprentissage automatique pour prédire à l’avance l’émergence des régions actives solaires », affirme Tirona, étudiant en dernière année d’informatique et boursier de l’Albert Dorman Honors College. « Cette alerte précoce pourrait permettre aux entreprises de communications par satellite ou aux gestionnaires de réseaux électriques de se préparer et de limiter potentiellement les dégâts causés par les tempêtes solaires. »
Les régions actives — des zones magnétiquement intenses où se forment les taches solaires — commencent à émerger sur plusieurs heures, tandis que leur développement complet peut prendre d’un à plusieurs jours.
À mesure que les champs magnétiques s’élèvent vers la surface du Soleil, ils laissent de faibles signatures dans les ondes acoustiques que les scientifiques peuvent détecter grâce à l’héliosismologie, l’étude des vibrations solaires.
Pour identifier ces signatures, le modèle EarlyDetect de l’équipe analyse des cartes horaires de puissance acoustique et des mesures du champ magnétique provenant de l’observatoire de dynamique solaire de la NASA.
Les cartes acoustiques sont dérivées d’observations d’ondes sonores enregistrées toutes les 45 secondes par l’imageur héliosismique et magnétique (HMI) à bord du SDO de la NASA.
« La principale difficulté est qu’une région active commence à se développer sous la surface visible du Soleil, où nous ne pouvons pas observer directement la structure magnétique », explique Alexander Kosovichev, professeur distingué de physique au NJIT et co-chercheur principal du projet. « Nous cherchons plutôt de très petits changements dans le champ magnétique et dans le schéma des ondes acoustiques qui traversent continuellement le Soleil. C’est un peu comme détecter un léger changement de rythme dans un orchestre très bruyant. »
Le modèle de l’équipe utilise une architecture Transformer — la même technologie d’IA que celle des grands modèles de langage tels que ChatGPT. Alors que ces systèmes apprennent des motifs dans le texte, EarlyDetect apprend des motifs dans les observations solaires pour prédire les futurs changements de l’activité du Soleil.
Après avoir rejoint le projet l’année dernière, Tirona et son équipe ont découvert qu’une technique de filtrage qu’ils avaient appliquée pour aider le modèle d’IA à identifier des motifs importants dans les données solaires rendait en réalité ses prévisions moins bonnes.
« C’est ce qui nous a le plus surpris », confie Kosovichev. « Au départ, nous pensions qu’elle aiderait à isoler des motifs utiles à court terme. Au lieu de cela, elle a fini par lisser les très faibles fluctuations qui fournissaient l’alerte la plus précoce. »
« C’est un peu comme l’annulation de bruit… elle élimine normalement les bruits forts pour mieux voir la tendance globale », explique Tirona. « Mais nous avons constaté qu’elle était néfaste dans presque tous les cas. Les signaux supprimés par le filtre se sont révélés très importants pour aider le modèle à prédire l’émergence d’une région active. »
Après avoir entraîné le modèle sur des observations de SDO/HMI de la NASA, les chercheurs ont testé EarlyDetect sur des régions actives que le modèle n’avait jamais vues auparavant.
La version la plus performante a identifié des signaux précurseurs en moyenne 9,24 heures avant que les régions actives ne deviennent visibles, surpassant à la fois un modèle Transformer standard et une approche de référence antérieure.
« L’apprentissage automatique n’a pas encore été largement appliqué à la prévision de l’activité solaire », déclare Mengjia Xu, professeure adjointe en science des données au NJIT et chercheuse principale du projet. « Nos travaux montrent que des modèles avancés d’apprentissage automatique peuvent ouvrir de nouvelles possibilités pour la prévision future de la météo spatiale. »
Le projet a été l’un des premiers soutenus par l’Institut de recherche en IA Grace Hopper du NJIT, lancé en 2025 pour faire progresser la recherche interdisciplinaire en IA. Un soutien supplémentaire est venu de subventions de recherche de la NASA en héliophysique et en météo spatiale, notamment du centre NASA Science DRIVE, Consequences Of Fields and Flows in the Interior and Exterior of the Sun (COFFIES).
Pour aider d’autres chercheurs à s’appuyer sur ces travaux, l’équipe a également publié le jeu de données Solar Active Region Emergence Dataset (SolARED), une collection accessible au public d’observations de régions actives solaires compilées à partir de SDO, ainsi que le portail des régions actives solaires (SAR) — une plateforme web interactive pour explorer les données.
« C’est le premier jeu de données public sur l’émergence des régions actives solaires », souligne Xu. « Il fournit une ressource partagée aux communautés de l’apprentissage automatique et de l’héliophysique pour développer et tester de nouvelles approches de prédiction. »
Bien que prometteur, EarlyDetect n’est pas encore prêt pour la prévision en temps réel, selon Tirona. Le modèle a été entraîné sur des événements d’émergence connus et produit encore occasionnellement de fausses alertes ou des prédictions tardives.
Une alerte d’émergence ne signifie pas non plus qu’une éruption ou une éjection de masse coronale se produira — de nombreuses régions actives ne produisent jamais d’éruptions majeures. L’équipe indique qu’elle doit encore valider l’approche sur un plus grand nombre d’événements solaires.
« J’espère que ce projet fera mieux connaître la manière dont l’apprentissage automatique peut contribuer à l’héliophysique », confie Tirona. « Ce serait vraiment génial si un modèle comme celui-ci pouvait un jour aider à prédire les événements de météo solaire. Nous n’en sommes pas encore là, mais c’est une étape passionnante. »
Article : Forecasting Continuum Intensity for Solar Active Region Emergence Prediction Using Transformers – Journal : Journal of Geophysical Research Machine Learning and Computation – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude
Source : NJIT
