🔭 astrophysics

Machine Learning-Based Characterization of Solar p-Mode Frequency Shifts during Solar Cycle 25

Cet article développe et applique des méthodes d'analyse de séries temporelles et d'apprentissage automatique pour caractériser les décalages de fréquence des modes p solaires au cours du reste du cycle solaire 25, afin d'améliorer la compréhension des liens entre l'intérieur du Soleil et la météorologie de l'espace.

Auteurs originaux : Rekha Jain (School of Mathematical and Physical Sciences, University of Sheffield), Akash Kumar (School of Mechanical, Aerospace and Civil Engineering, University of Sheffield), Sushanta C. Tripathy (

Publié 2026-04-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rekha Jain (School of Mathematical and Physical Sciences, University of Sheffield), Akash Kumar (School of Mechanical, Aerospace and Civil Engineering, University of Sheffield), Sushanta C. Tripathy (National Solar Observatory)

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌞 Le Cœur Battant du Soleil : Prédire son "Rythme" avec l'Intelligence Artificielle

Imaginez le Soleil non pas comme une boule de feu statique, mais comme un giant tambour vivant. Ce tambour ne cesse de vibrer, de résonner, un peu comme une cloche qu'on aurait frappée. Ces vibrations s'appellent les modes p.

Les scientifiques, grâce à une technique appelée "héliosismologie", écoutent ces vibrations. Elles nous disent ce qui se passe à l'intérieur du Soleil, là où nous ne pouvons pas voir directement.

1. Le Problème : Le Soleil a un "Battement de Cœur" Irrégulier

Le Soleil a un cycle d'environ 11 ans, comme une respiration lente.

Quand il "inhale" (activité maximale) : Il y a beaucoup de taches solaires, d'éruptions et de champs magnétiques. C'est l'orage spatial.
Quand il "expire" (activité minimale) : Il se calme, le ciel devient plus tranquille.

Les chercheurs ont remarqué quelque chose de fascinant : la fréquence de ces vibrations (le rythme du tambour) change exactement en même temps que l'activité du Soleil. Quand le Soleil est en furie, le tambour bat plus vite. Quand il se calme, il ralentit.

2. La Question : Peut-on prévoir l'avenir de ce rythme ?

L'article pose une question cruciale : Puisque nous savons que le rythme du tambour suit le cycle solaire, pouvons-nous utiliser l'Intelligence Artificielle (IA) pour prédire quand le prochain "calme" arrivera ?

C'est important pour la météo de l'espace. Si nous savons quand le Soleil va se calmer (ou au contraire, devenir violent), nous pouvons mieux protéger nos satellites, nos réseaux électriques et nos astronautes.

3. La Méthode : Trois Recettes pour Cuisiner la Prédiction

Les auteurs (Rekha Jain, Akash Kumar et Sushanta Tripathy) ont utilisé trois "recettes" différentes, mélangeant des données anciennes et des algorithmes d'IA modernes, pour faire leurs prévisions pour le Cycle 25 (le cycle actuel) et le Cycle 26 (le futur).

Voici comment ils ont fait, avec des analogies simples :

La Recette 1 : L'Écoute Directe (Le Tambour seul)
Ils ont écouté le rythme du tambour directement depuis 1995. C'est comme essayer de deviner la fin d'une chanson en écoutant seulement les 10 dernières minutes. C'est utile, mais un peu court pour être sûr à 100 %.
La Recette 2 : Le Thermomètre (Le Flux Radio)
Ils ont utilisé les données de la "radio solaire" (F10), qui agit comme un thermomètre très précis de l'activité solaire. Ils ont dit à l'IA : "Regarde, quand le thermomètre monte, le tambour accélère. Donc, si on prédit la température, on peut prédire le rythme du tambour."
La Recette 3 : Le Compteur de Taches (Les Taches Solaires)
C'est la méthode la plus classique. Ils ont compté les taches noires sur le Soleil (les SSN). C'est comme compter les nuages pour prédire la pluie. Ils ont relié le nombre de taches au rythme du tambour.

Pour toutes ces recettes, ils ont utilisé des algorithmes d'IA (comme des "cuisiniers numériques" très intelligents) capables de trouver des motifs cachés dans des montagnes de données, même des motifs complexes et non linéaires.

4. Les Résultats : Quand le Soleil va-t-il se calmer ?

Après avoir fait tourner leurs modèles d'IA, voici ce qu'ils ont découvert :

Le Soleil est en train de redescendre. Le pic d'activité du cycle actuel (Cycle 25) est passé. Nous sommes maintenant dans la phase de "calme relatif".
La date du prochain minimum : Selon leurs prédictions, le Soleil atteindra son point le plus calme (le "creux" du cycle) vers l'année 2030 ou 2031.
La durée du calme : Cette phase de calme durera environ 7 ans, un peu comme le cycle précédent.

5. Pourquoi est-ce important ? (L'Analogie du Lien)

Imaginez que le Soleil est une maison.

Les taches solaires et la radio sont ce que vous voyez sur le toit et les murs (l'extérieur).
Les vibrations du tambour (p-modes) sont ce qui se passe dans les fondations et les caves (l'intérieur).

Jusqu'à présent, on prédisait la météo de l'espace en regardant le toit. Cette étude dit : "Attendez, si on écoute les vibrations des fondations, on peut confirmer nos prévisions et peut-être même avoir un signal d'alerte plus tôt !".

C'est comme si, avant qu'une tempête n'arrive, on entendait les fondations de la maison grincer d'une manière spécifique. Cela permettrait de mieux comprendre comment l'énergie voyage de l'intérieur du Soleil jusqu'à l'espace qui nous entoure.

En Résumé

Cet article nous dit que l'Intelligence Artificielle, en écoutant le "battement de cœur" du Soleil, nous confirme que nous sommes en train de sortir d'une période d'activité intense. Le grand calme est attendu vers 2030-2031.

C'est une première étape prometteuse pour utiliser la musique du Soleil comme un outil de prévision fiable pour protéger notre technologie spatiale et terrestre.

1. Problématique et Contexte

Les oscillations acoustiques du Soleil, connues sous le nom de modes-p (p-modes), sont des outils essentiels pour sonder l'intérieur solaire. Il est établi que les fréquences de ces modes varient cycliquement en phase avec le cycle d'activité solaire d'environ 11 ans, tout comme les indices d'activité traditionnels (nombre de taches solaires, flux radio à 10,7 cm).

Cependant, les mécanismes physiques exacts reliant les changements internes (dynamo solaire, flux magnétique) aux variations de fréquence restent partiellement débattus. L'objectif principal de cette étude est de prédire l'évolution des décalages de fréquence des modes-p ( $\delta\nu$ ) pour la fin du cycle solaire 25 et d'estimer le moment du minimum du cycle 26. L'enjeu est double :

Améliorer la compréhension du lien entre la dynamique interne du Soleil et la météorologie de l'espace (space weather).
Établir un indicateur indépendant et potentiellement précoce des phases ascendantes et descendantes de l'activité solaire.

2. Méthodologie

Les auteurs ont combiné des techniques d'analyse de séries temporelles classiques et des méthodes d'apprentissage automatique (Machine Learning - ML) avancées.

Données utilisées

Trois ensembles de données ont été analysés, tous moyennés sur des intervalles de 9 jours pour assurer la cohérence temporelle :

Décalages de fréquence des modes-p ( $\delta\nu$ ) : Données du Global Oscillation Network Group (GONG) couvrant du 7 mai 1995 au 31 juillet 2025 (cycles 23, 24 et début du 25).
Flux radio à 10,7 cm (F10) : Données historiques de 1954 à 2025.
Nombre de taches solaires (SSN) : Données historiques de 1954 à 2025.

Une relation quadratique (polynôme de degré 2) a été établie entre les décalages de fréquence $\delta\nu$ et les proxies d'activité (F10 et SSN) pour tenir compte des effets de saturation observés lors des maxima d'activité.

Approches de Modélisation

Trois stratégies de prévision ont été développées :

Prévision directe : Utilisation des données de $\delta\nu$ historiques (1995-2025) pour prédire l'avenir.
Prévision mise à l'échelle (Scaled-forecast) via F10 : Prédiction du flux radio, puis conversion en $\delta\nu$ via la relation quadratique.
Prévision mise à l'échelle via SSN : Prédiction du nombre de taches solaires, puis conversion en $\delta\nu$ .

Algorithmes d'Apprentissage

Pour chaque stratégie, les auteurs ont décomposé les séries temporelles en composantes de tendance et de résidus, puis appliqué des modèles spécifiques :

Décomposition du signal :
- Ondelettes (Wavelet) : Utilisation de la transformée en ondelettes discrète (DWT) avec l'ondelette 'db4'.
- Lissage LOESS : Estimation locale par régression polynomiale.
- Transformée de Fourier Rapide (FFT) : Filtrage passe-bas pour isoler la tendance.
Modèles de prédiction :
- LGBM (Light Gradient-Boosting Machine) : Entraîné séparément sur les composantes de tendance et de résidus. Les prévisions finales sont la somme des deux. Un ensemble (LOESS-LGBM + FFT-LGBM) a également été utilisé.
- N-BEATS (Neural Basis Expansion Analysis for Time Series) : Une méthode d'apprentissage profond (Deep Learning) utilisée spécifiquement pour les longues séries historiques (F10 et SSN) afin de capturer les non-linéarités complexes.
Validation : Stratégie de validation "hold-out" (85% entraînement / 15% test) pour préserver les dépendances temporelles, sans mélange des données (shuffling).

3. Résultats Clés

Phase descendante du Cycle 25 : Toutes les méthodes convergent pour indiquer que le cycle solaire 25 a atteint son maximum au début de l'année 2025 et est désormais dans sa phase descendante.
Prédiction du Minimum (Cycle 26) :
- La prévision directe (basée uniquement sur $\delta\nu$ ) suggère un minimum vers 2031.
- Les prévisions mises à l'échelle (basées sur F10 et SSN) convergent vers un minimum en 2030.
- La durée de la phase descendante du cycle 25 est estimée à environ 7 ans, similaire à la phase de décroissance du cycle 23.
Comparaison des Méthodes :
- Les modèles Wavelet+LGBM et LOESS FFT+LGBM produisent des courbes de prévision qualitativement similaires, bien que la descente soit plus douce avec les ondelettes.
- La méthode N-BEATS (Deep Learning) a tendance à sous-estimer la phase ascendante et n'a pas réussi à reproduire les oscillations quasi-biennales (QBOs) observées par les autres méthodes, bien que le comportement global reste cohérent.
Intensité du Cycle : Le cycle 25 est jugé plus fort que le cycle 24 et comparable au cycle 23, bien que les caractéristiques à petite échelle diffèrent.

4. Contributions et Signification

Nouveauté Méthodologique : C'est l'une des premières applications systématiques de techniques de ML avancées (LGBM, N-BEATS) couplées à l'analyse par ondelettes pour caractériser et prédire les décalages de fréquence des modes-p.
Indicateur Indépendant : L'étude valide le potentiel des décalages de fréquence des modes-p comme indicateur indépendant de l'activité solaire, offrant un lien quantitatif entre l'intérieur solaire et l'atmosphère externe.
Implications pour la Météorologie de l'Espace : En fournissant une estimation du moment du prochain minimum solaire (vers 2030-2031), ces résultats aident à affiner les modèles de prévision de la météorologie de l'espace, cruciale pour la protection des infrastructures technologiques.
Limites et Perspectives : Les auteurs soulignent que la courte durée des données de $\delta\nu$ (seulement deux cycles complets) limite la précision des prévisions directes. Ils recommandent l'intégration future d'autres paramètres hélio-sismologiques (largeurs de raies, amplitudes) et de séries temporelles plus longues pour améliorer la robustesse des modèles.

En conclusion, cet article démontre que l'analyse des modes-p, enrichie par l'apprentissage automatique, est un outil prometteur pour comprendre la dynamique solaire et anticiper l'évolution des cycles d'activité, complétant ainsi les méthodes traditionnelles basées sur les taches solaires et le flux radio.