L'IA affine la modélisation du champ magnétique solaire pour des prévisions météorologiques spatiales plus précises

Des chercheurs affiliés à l'Institut d'Astronomie de l'Université d'Hawaï (IfA) ont mis au point une méthodologie novatrice exploitant l'intelligence artificielle. Cette approche permet de générer des cartes tridimensionnelles du champ magnétique solaire avec un niveau de détail inédit. Cette avancée majeure est destinée à soutenir les investigations scientifiques qui s'appuient sur les données collectées par le télescope Daniel K. Inouye (DKIST). Les conclusions de ces travaux ont été officiellement publiées dans la prestigieuse revue The Astrophysical Journal.

Kai Young, doctorant à l'IfA et chercheur principal sur ce projet, a souligné l'importance capitale de cette réalisation. Il est particulièrement pertinent dans le contexte actuel, car notre Soleil demeure une source intense de météorologie spatiale, capable de perturber le fonctionnement de nos technologies terrestres. Le champ magnétique solaire est, en effet, le moteur principal des événements explosifs tels que les éruptions solaires et les éjections de masse coronale (EMC). Ces phénomènes représentent une menace sérieuse pour les systèmes satellitaires, les réseaux électriques et les infrastructures de communication mondiales.

Les méthodes traditionnelles employées pour sonder le champ magnétique solaire se heurtent à des obstacles fondamentaux. Parmi ceux-ci, on compte l'incertitude concernant l'orientation exacte du champ – savoir s'il est orienté vers nous ou s'en éloigne – ainsi que la difficulté d'établir l'altitude réelle des structures magnétiques. Ces limitations ont historiquement entravé l'élaboration de modèles tridimensionnels précis, pourtant essentiels pour des prévisions fiables.

Afin de surmonter ces verrous méthodologiques, l'équipe a conçu un système d'apprentissage automatique baptisé le Décodeur de Désambiguïsation de Haleakalā (Haleakalā Disambiguation Decoder). Cet algorithme ingénieux fusionne les données d'observation empiriques avec un principe physique fondamental : les champs magnétiques se structurent en boucles fermées et continues. Cette contrainte physique permet au système d'IA de résoudre l'ambiguïté azimutale de 180 degrés dans la détermination de l'orientation du champ, tout en estimant avec une grande justesse la hauteur véritable des couches magnétiques.

L'efficacité de cette nouvelle méthode a été validée rigoureusement sur des modèles informatiques complexes, couvrant l'ensemble du spectre solaire, des régions calmes aux taches solaires, en passant par les zones actives. La capacité accrue de l'IA à interpréter les données est d'autant plus précieuse que le télescope DKIST, perché au sommet de Mauna Kea à Hawaï, fournit des images d'une résolution ultra-élevée. En utilisant le Décodeur de Désambiguïsation de Haleakalā, les scientifiques peuvent désormais dresser une cartographie tridimensionnelle plus fidèle de la magnétosphère solaire. Cela permet d'identifier les courants électriques vectoriels au sein de l'atmosphère solaire, offrant ainsi une compréhension plus nette des mécanismes qui déclenchent les puissantes éruptions solaires.

L'amélioration de la précision des prévisions météorologiques spatiales revêt une importance pratique immédiate. Le Cycle Solaire 25, qui a débuté en décembre 2019, devrait atteindre son pic d'activité entre novembre 2024 et mars 2026, selon les projections révisées de la NOAA. Une meilleure compréhension des facteurs déclencheurs des événements solaires, rendue possible par cette technologie d'IA, devient alors cruciale pour émettre des alertes précoces et protéger nos infrastructures critiques. L'ampleur de l'effort de calcul est considérable, comme en témoignent les données du projet SPIn4D, qui englobent 120 téraoctets d'observations simulées, générées grâce à plus de 10 millions d'heures de temps processeur sur le supercalculateur Cheyenne de la NSF.