Résumé :
Une équipe de recherche dirigée par l'Institut de technologie du New Jersey aux États-Unis a développé un système d'intelligence artificielle capable d'identifier à l'avance des signaux d'avertissement extrêmement faibles avant que les zones actives solaires n'apparaissent réellement sur la surface visible. Les recherches montrent que le système peut détecter les signes de formation de nouvelles zones actives près de neuf heures à l'avance en moyenne, offrant ainsi de nouvelles possibilités de prévision des tempêtes solaires à l'avenir.
Avant que les taches solaires n'assombrissent la surface visible du soleil, l'activité magnétique qui les crée se développe silencieusement à l'intérieur du soleil. Ces premiers changements sont si faibles qu’ils ont longtemps été difficiles à identifier de manière stable pour les scientifiques. Désormais, un modèle d'intelligence artificielle appelé « EarlyDetect » est capable de trouver des indices pertinents sur l'activité acoustique du soleil et les changements du champ magnétique, détectant les précurseurs de nouvelles régions solaires actives en moyenne 9,24 heures avant qu'ils ne deviennent visibles.
Cette étude a été réalisée par l'équipe de recherche de l'Institut de technologie du New Jersey et les résultats ont été publiés dans le "Journal of Geophysical Research: Machine Learning and Computing" le 14 août. Le modèle a été développé par Jonas Tirona, chercheur de premier cycle à l'Institut de technologie du New Jersey, en collaboration avec des informaticiens et des physiciens solaires de l'école, ainsi que des chercheurs de l'Université de Princeton et du centre de recherche Ames de la NASA. L’étude a utilisé les données de l’Observatoire de la dynamique solaire de la NASA.
Tirona a déclaré que la plus grande valeur de ce travail est qu'il prouve que l'apprentissage automatique peut prédire à l'avance quand les zones solaires actives apparaîtront. Si des systèmes d’alerte précoce fiables peuvent être développés davantage, les sociétés de communications par satellite et les opérateurs de réseaux électriques pourraient être en mesure de prendre des mesures à l’avance pour réduire les dommages potentiels causés par les tempêtes solaires.
La région solaire active est une zone avec une activité magnétique extrêmement forte, où se forment généralement des taches solaires. Il faut souvent plusieurs heures pour qu'une région active apparaisse et atteigne la surface du soleil, et cela peut prendre un à plusieurs jours pour se former complètement.
Avant que ces régions n'atteignent la surface du Soleil, le champ magnétique ascendant a des effets subtils sur les ondes sonores voyageant à l'intérieur du Soleil. Les scientifiques peuvent étudier ces vibrations grâce à « l'héliosismologie », en utilisant les ondes se propageant à l'intérieur du soleil pour analyser les processus internes qui ne peuvent pas être observés directement.
EarlyDetect recherche des modèles anormaux avant la formation de régions actives en analysant les cartes de puissance acoustique générées toutes les heures et en les combinant avec les données de mesure du champ magnétique solaire. Les données acoustiques proviennent de l'imageur héliosismique et magnétique de l'Observatoire de la dynamique solaire. L'instrument enregistre des mesures acoustiques toutes les 45 secondes, permettant aux chercheurs de dresser un tableau de l'activité acoustique à l'intérieur du Soleil.
Alexander Kosovichev, professeur émérite de physique à l'Institut de technologie du New Jersey et co-responsable du projet, a souligné que la principale difficulté rencontrée par la recherche est que la région active solaire se forme initialement sous la surface visible et que les scientifiques ne peuvent pas observer directement sa structure magnétique. En conséquence, les chercheurs ne peuvent rechercher que des changements extrêmement minimes dans le champ magnétique du Soleil et dans les schémas de propagation des ondes sonores. Le processus revient à discerner de subtils changements de rythme dans un orchestre bruyant.
EarlyDetect utilise l'architecture Transformer. Ce type de technologie d’intelligence artificielle est également largement utilisé dans les grands modèles de langage tels que ChatGPT. Cependant, EarlyDetect n'analyse pas le langage, mais recherche des modèles statistiques dans les données d'observation solaire qui peuvent indiquer des changements dans l'activité solaire.
Au cours du processus de recherche, l'équipe a également découvert que la méthode de filtrage utilisée à l'origine pour supprimer le bruit et aider le modèle à identifier les signaux solaires importants réduisait en réalité l'effet de prédiction.
Lorsque Tirona a rejoint le projet, les chercheurs utilisaient une technique de filtrage dans l'espoir de mettre en évidence d'importants modèles solaires sur des échelles de temps courtes. Mais les résultats des tests montrent que le filtrage des données d'observation dégrade la qualité des prédictions du modèle. Kosovichev a déclaré que l'équipe de recherche pensait initialement que le filtrage pouvait isoler les signaux utiles, mais a constaté qu'il faisait la moyenne des fluctuations les plus faibles mais les plus précoces.
Tirona a comparé le processus à une technologie de réduction du bruit. En règle générale, la réduction du bruit peut éliminer les bruits forts et rendre les tendances globales plus claires, mais les chercheurs ont constaté que dans presque tous les cas, la réduction du bruit avait un impact négatif. Les signaux filtrés constituent précisément les informations importantes qui aident le modèle à déterminer le moment où la zone active apparaît.
Les chercheurs ont utilisé les données de l'observatoire de la dynamique solaire de la NASA et de l'imageur héliosismique et magnétique pour entraîner EarlyDetect, puis ont demandé au modèle d'analyser les zones solaires actives qui n'apparaissaient pas dans les données d'entraînement afin de tester sa capacité de généralisation.
Les résultats montrent que le modèle le plus performant a pu identifier les précurseurs pertinents en moyenne 9,24 heures avant que les zones solaires actives ne deviennent visibles, surpassant ainsi le modèle Transformer standard et les méthodes de référence précédemment utilisées.
Mengjia Xu, professeur adjoint de science des données à l'Institut de technologie du New Jersey et chef du projet, a déclaré que l'apprentissage automatique n'a pas encore été largement utilisé dans la prévision de l'activité solaire, mais cette étude montre que les modèles avancés d'apprentissage automatique peuvent ouvrir de nouvelles directions pour les futures prévisions météorologiques spatiales.
Cette recherche est également l'un des premiers projets soutenus par le Grace Hopper Institute for Artificial Intelligence du New Jersey Institute of Technology. L'institut a été créé en 2025 pour promouvoir la recherche interdisciplinaire dans le domaine de l'intelligence artificielle. Le projet a également reçu le soutien des programmes de recherche en héliophysique et en météorologie spatiale de la NASA, notamment du Centre pour la recherche et l'innovation scientifiques et les conséquences des champs et des flux entrant et sortant du soleil.
Afin de promouvoir la recherche de suivi, l'équipe a également divulgué des ressources de données pertinentes. Ils ont publié l’ensemble de données sur la formation de zones actives solaires, ou SolARED. Il s'agit d'une base de données de zones solaires actives compilée sur la base des observations de l'Observatoire de la dynamique solaire. En outre, les chercheurs ont également créé un portail de zones actives solaires pour fournir aux utilisateurs des fonctions interactives de navigation dans les données d'observation.
Xu a déclaré qu'il s'agit du premier ensemble de données sur la formation de zones actives solaires ouvert au public et qu'il peut fournir une ressource commune aux communautés de recherche en apprentissage automatique et en héliophysique pour développer et tester de nouvelles méthodes de prédiction.
Cependant, l'équipe de recherche a souligné qu'EarlyDetect ne peut pas encore être utilisé comme système de prévision opérationnelle en temps réel. Le modèle a été entraîné sur des événements connus de formation de régions actives solaires et peut toujours émettre de fausses alarmes ou donner des prédictions après que des régions actives se soient déjà produites.
De plus, identifier qu'une région solaire active est en train de se former ne signifie pas qu'une éruption solaire ou une éjection de masse coronale est imminente. De nombreuses régions solaires actives ne produisent finalement pas d’explosions à grande échelle. Les chercheurs doivent également tester davantage le modèle en utilisant un plus grand nombre et une gamme plus large d’événements solaires.
Tirona a exprimé l'espoir que ces recherches sensibiliseront davantage de personnes au potentiel de l'apprentissage automatique dans le domaine de la physique solaire. Il serait très intéressant qu’un modèle puisse aider à prédire les événements météorologiques spatiaux à l’avenir. Cependant, les recherches actuelles sont encore loin de cet objectif, et ce résultat n’est qu’un point de départ passionnant.
Commentaires