Du 8 au 10 mai 2024 a eu lieu l’une des tempêtes solaires les plus violentes jamais enregistrées. L’éruption a généré une éjection de masse coronale (CME, une expulsion massive de plasma et de champs magnétiques du soleil) projetée dans l’espace à plus de 2 000 km/s. En moins de 18 heures, cette onde de choc est arrivée à la Terre, provoquant des perturbations électromagnétiques d’une rare intensité.
Son impact a été immédiat : des surtensions ont touché plusieurs réseaux électriques en Amérique du Nord et en Europe, des liaisons radio ont été interrompues dans les régions polaires, et des satellites ont signalé des anomalies affectant leurs capteurs et circuits électroniques.
Cet événement a offert un cadre de test idéal aux chercheurs spécialisés dans la prévision des tempêtes solaires. L’objectif était d’évaluer de nouveaux modèles capables d’anticiper avec une précision accrue ces phénomènes extrêmes, dont les effets peuvent être dévastateurs sur les infrastructures technologiques modernes.
Les limites des modèles de prévision traditionnels
Jusqu’ici, la prévision des tempêtes solaires reposait essentiellement sur des modèles physiques utilisant les données des télescopes solaires et des satellites d’observation, notamment ceux du programme Solar and Heliospheric Observatory (Soho) et du Solar Dynamics Observatory (SDO). Ces méthodes, bien qu’efficaces pour comprendre les phénomènes solaires, présentent des marges d’erreur importantes.
L’un des principaux problèmes des modèles classiques réside dans leur capacité limitée à prévoir le moment exact où une CME atteindra la Terre et l’intensité de son impact sur la magnétosphère terrestre. Les incertitudes temporelles peuvent dépasser plusieurs heures, ce qui complique la prise de mesures de protection pour les infrastructures critiques comme les réseaux électriques, les satellites ou les systèmes de communication radio.
C’est dans ce contexte que les chercheurs ont exploré l’intelligence artificielle pour améliorer la précision des prévisions, en combinant modèles physiques et algorithmes d’apprentissage automatique.
L’intelligence artificielle au cœur d’une nouvelle approche prédictive
L’étude, menée par l’université de Gênes et l’Institut National d’Astrophysique italien (INA : Istituto Nazionale di Astrofisica), repose sur une approche hybride mêlant intelligence artificielle et modélisation physique. Concrètement, les chercheurs ont utilisé un réseau de neurones convolutionnel (CNN) et un modèle de mémoire à long terme (LSTM) pour analyser en temps réel les variations du champ magnétique solaire.
Les chercheurs ont d’abord exploité un modèle de reconnaissance d’images avancé, Vision Transformer (ViT), pour analyser les modifications du champ magnétique dans la région active AR13664, où l’éruption du 10 mai s’est produite. Le modèle a été entraîné sur des millions d’images issues des satellites SDO et Soho, lui permettant de reconnaître les configurations magnétiques annonciatrices d’une éjection de masse coronale.
Avec l’IA, les premiers signes d’une instabilité magnétique auraient été détectés plusieurs heures avant l’éruption. Et, comparé aux méthodes classiques, le modèle a identifié avec 94 % de précision les régions solaires présentant un risque d’éruption.
Simulation de la propagation des éjections de masse coronale
Une fois l’éruption détectée, les chercheurs ont utilisé un second modèle CNN-LSTM, entraîné sur les données historiques de CME enregistrées depuis les années 1980, permettant d’estimer leur trajectoire et leur vitesse de propagation vers la Terre.
Le réseau LSTM a joué un rôle clé dans cette approche, car il est conçu pour traiter des séries temporelles complexes. En analysant l’évolution des CME passées, il a pu anticiper avec une précision inédite l’arrivée de la tempête du 10 mai 2024, réduisant l’incertitude temporelle à seulement 15 minutes, contre plusieurs heures pour les modèles physiques traditionnels.
Un bond en avant pour la protection des infrastructures critiques
Les performances de ces nouveaux modèles d’IA ouvrent des perspectives inédites en matière de prévision et de gestion des tempêtes solaires. En offrant des alertes plus précises et plus rapides, ces avancées permettent aux gestionnaires de réseaux électriques et aux opérateurs de satellites d’adapter plus efficacement leurs mesures de protection.
Dans le domaine des télécommunications, l’intelligence artificielle pourrait ainsi être intégrée directement dans les systèmes de détection précoce, automatisant les réponses aux menaces solaires. Par exemple, un satellite en orbite pourrait ajuster sa trajectoire ou désactiver certains capteurs avant l’arrivée d’une tempête.
Les chercheurs envisagent également d’étendre leur modèle en intégrant des données en temps réel issues des futures missions d’observation solaire, comme la sonde Parker Solar Probe de la NASA ou Solar Orbiter de l’ESA. L’intelligence artificielle pourrait ainsi affiner encore davantage ses prédictions en tenant compte d’un volume de données plus important et plus précis.
Résultats des prévisions basées sur l’IA • Source : Guastavino et al.
Vers une adoption généralisée de l’IA dans l’astronomie
L’utilisation de l’intelligence artificielle pour la prévision des tempêtes solaires illustre un changement de paradigme plus large dans le domaine de l’astrophysique. Désormais, de nombreux observatoires et instituts de recherche intègrent des modèles d’apprentissage automatique pour analyser des volumes de données toujours plus massifs.
Les chercheurs estiment que d’ici cinq ans, ces technologies pourraient devenir la norme pour la surveillance de l’activité solaire et la gestion des risques liés aux événements géomagnétiques. Grâce à ces avancées, il devient possible d’imaginer un futur où les tempêtes solaires ne seront plus des menaces imprévisibles, mais des phénomènes que l’humanité pourra anticiper et gérer avec une efficacité accrue.
Pour en savoir plus :
- Sabrina Guastavino et al., Artificial Intelligence Could Have Predicted All Space Weather Events Associated with the May 2024 Superstorm, Arxiv, 2025
Source archive Kessel : https://qant.kessel.media/posts/pst_e367d2938bcf443b8e3f4cae8734b333
