Une équipe dirigée par l'Institut Technologique de New Jersey a développé un modèle d'IA capable de détecter des signaux cachés de futures régions actives du Soleil avec 9 heures d'anticipation. Cette avancée pourrait élargir la marge de préparation face aux tempêtes solaires qui affectent les entreprises de communications par satellite et les réseaux électriques.
Le système, nommé EarlyDetect, a été testé avec des régions actives qui n'avaient pas été observées auparavant par le modèle et a surpassé une méthode de référence antérieure, selon l'étude publiée dans la revue Journal of Geophysical Research: Machine Learning and Computation.
La recherche soutient que bien avant l'apparition des taches solaires obscures à la surface, une nouvelle région active laisse déjà des traces subtiles de sa formation. Ces zones, où peuvent se produire des éruptions solaires puissantes, émergent au fil de plusieurs heures, bien que leur développement complet puisse prendre de un à plusieurs jours.
Le modèle cherche des empreintes acoustiques et magnétiques
L'étude explique qu'à mesure que les champs magnétiques remontent vers la surface solaire, ils laissent des empreintes faibles sur les ondes acoustiques. Ces variations peuvent être suivies par l'helioseismologie, la discipline qui étudie les vibrations du Soleil.
Pour les localiser, EarlyDetect analyse des cartes horaires de puissance acoustique et des mesures du champ magnétique obtenues par l'Observatoire de Dynamique Solaire. Les cartes acoustiques sont construites à partir d'observations d'ondes sonores enregistrées toutes les 45 secondes par le générateur d'images helioseismiques et magnétiques, connu sous le nom de HMI, à bord de l'observatoire.
Tirona a expliqué que la valeur principale du travail est de démontrer que l'apprentissage automatique peut anticiper quand des régions solaires actives émergeront. Il a ajouté : “Cette alerte précoce pourrait permettre aux entreprises de communications par satellite ou aux compagnies électriques de se préparer et, potentiellement, de réduire les dommages causés par les tempêtes solaires”.
Alexander Kosovichev, professeur de physique à l'NJIT et co-investigateur principal du projet, a décrit le problème d'observation de cette façon : “La principale difficulté réside dans le fait qu'une région active commence à se développer sous la surface visible du soleil, où nous ne pouvons pas observer directement la structure magnétique”.
Kosovichev a également précisé quel type de variation le modèle tente de capter : “En réalité, nous cherchons des changements très petits dans le champ magnétique et dans le motif des ondes acoustiques qui voyagent continuellement à travers le soleil. C'est un peu comme détecter un léger changement de rythme au sein d'un orchestre très bruyant”.
EarlyDetect utilise une architecture Transformer, la même famille technologique employée dans de grands modèles de langage. Dans ce cas, au lieu d'apprendre des motifs de texte, le système apprend des motifs dans des observations solaires pour anticiper des changements futurs dans l'activité du Soleil.
Après avoir rejoint le projet l'année dernière, Tirona et ses collègues ont découvert qu'une technique de filtrage intégrée pour aider le modèle réduisait ses performances. Selon l'équipe, cette procédure moyennait des fluctuations très faibles qui contenaient l'avertissement le plus précoce.
“C'est ce qui nous a le plus surpris”, a déclaré Kosovichev. “Nous nous attendions initialement à ce qu'elle aide à isoler des motifs utiles à court terme. Au lieu de cela, elle a moyenné les fluctuations très faibles qui fournissaient l'alerte la plus précoce”.
Tirona a comparé cet effet à celui de la suppression de bruit et a expliqué pourquoi cela a fini par être contre-productif. “Mais nous avons découvert que c'était nuisible dans presque tous les cas. Les signaux que le filtre éliminait se sont révélés cruciaux pour que le modèle prédit quand une région active surgirait”.
La meilleure version du système a identifié des signaux précurseurs en moyenne 9,24 heures avant que les régions actives ne deviennent visibles. Pour Mengjia Xu, professeure adjointe en science des données à l'NJIT et investigatrice principale du projet, le résultat montre que des modèles avancés d'apprentissage automatique peuvent élargir les possibilités de prévision des conditions météorologiques spatiales.
La méthode n'est pas encore prête pour des alertes en temps réel
Le propre équipe a averti qu'EarlyDetect n'est pas encore prêt à fonctionner en temps réel. Tirona a souligné que le modèle a été entraîné avec des données d'événements d'urgence déjà connus et qu'il produit encore des fausses alertes occasionnelles ou des prévisions tardives.
La détection précoce d'une région active ne signifie pas non plus prédire une éruption solaire ou une éjection de masse coronale. L'étude souligne que de nombreuses régions actives ne génèrent jamais d'éruptions importantes et que la méthode doit encore être validée avec beaucoup plus d'événements solaires.
Tirona a déclaré qu'il espère que le projet suscitera plus d'attention sur la contribution possible de l'apprentissage automatique à l'heliofysique. Il a également clarifié la portée actuelle de l'avancée : “Nous n'y sommes pas encore, mais c'est un pas passionnant”.