L’IA solaire de la NASA détecte les régions actives émergentes plusieurs heures avant leur apparition

Des chercheurs de la NASA ont fait les gros titres sur Google News avec une affirmation frappante : un modèle d’IA aurait identifié des signes annonciateurs d’éruptions solaires entre cinq et 29 heures à l’avance. Le modèle a bien détecté des changements avant que de nouvelles régions actives ne deviennent visibles. Il n’a toutefois pas prédit directement une éruption solaire ni une éjection de masse coronale.

Cette distinction change la manière dont il faut comprendre l’information. Les régions actives sont des zones magnétiquement complexes susceptibles de produire des taches solaires, des éruptions et des éjections de masse coronale. Prédire leur émergence offre aux prévisionnistes une vision plus précoce de possibles difficultés, mais ne permet pas de savoir si une éruption se produira.

L’équipe de recherche a utilisé les observations du Solar Dynamics Observatory de la NASA et un réseau à mémoire longue et courte durée, connu sous le nom de LSTM. Le modèle a recherché des motifs acoustiques changeants sous des zones apparemment calmes du Soleil. Ses résultats remettent en cause les systèmes de prévision qui ne commencent à analyser les risques qu’une fois les structures magnétiques devenues faciles à observer.

Le résultat est techniquement intéressant, mais pas encore prêt pour un usage opérationnel. Il repousse la fenêtre d’observation en amont, avant qu’une tache solaire ne devienne évidente, mais repose sur des tests limités. Cette tension compte davantage que le titre amplifié.

Ce que l’IA solaire de la NASA a réellement prédit

Le modèle a prévu l’émergence visible de régions actives solaires, et non les éruptions que ces régions pourraient produire ultérieurement.

L’étude a été menée par Spiridon Kasapis, Irina Kitiashvili, Alexander Kosovichev et John Stefan. Leurs affiliations relient ces travaux au NASA Ames Research Center et au New Jersey Institute of Technology.

L’étude sur les régions actives, évaluée par les pairs, a été publiée dans l’Astrophysical Journal Supplement Series en octobre 2025. Un manuscrit antérieur circulait publiquement depuis septembre 2024.

Elle ciblait l’intensité du continuum, une mesure de la lumière visible émise par la surface solaire. Les taches solaires paraissent sombres car de puissants champs magnétiques inhibent le transport convectif normal de la chaleur. Prédire une future baisse d’intensité fournit donc un signal indirect indiquant qu’une région active se forme.

Cela diffère de la prédiction d’une éruption. Une région nouvellement émergée peut rester relativement calme, produire des éruptions modestes ou générer des événements majeurs de météo spatiale. Son émergence établit une possible région source, pas une explosion programmée.

Les chercheurs ont entraîné des réseaux neuronaux récurrents à partir d’observations en séries temporelles du Solar Dynamics Observatory. Un LSTM est une architecture de réseau neuronal conçue pour conserver les informations pertinentes tout au long d’une séquence. Ici, cette séquence décrivait l’évolution des mesures solaires dans le temps.

Le modèle a reçu trois grandes catégories d’entrées. Les mesures Doppler suivaient les mouvements vers l’observateur ou à l’opposé. Les images du continuum mesuraient la luminosité de surface, tandis que les magnétogrammes enregistraient le champ magnétique selon la ligne de visée.

L’équipe a transformé ces observations en séquences de puissance acoustique et de flux magnétique. La puissance acoustique décrit l’intensité des oscillations détectées à différents endroits du Soleil. Les changements de ces oscillations peuvent révéler une activité avant que le flux magnétique émergent ne produise une caractéristique de surface évidente.

L’approche ressemble à l’écoute d’une machine derrière un mur. L’observateur ne peut pas voir la machine, mais l’évolution des vibrations peut signaler que quelque chose a commencé à bouger. Sur le Soleil, la convection turbulente et les oscillations acoustiques fournissent ce mouvement caché.

Des travaux antérieurs ont rassemblé les observations de 61 régions actives émergentes. Cet ensemble de données a aidé les chercheurs à identifier les motifs associés à la transition entre une photosphère calme et une activité magnétique visible. Le jeu de données sur l’émergence a été conçu spécifiquement pour étudier les signaux d’alerte précoce.

Le modèle ultérieur prédisait les valeurs d’intensité 12 heures à l’avance à chaque étape d’inférence. Les chercheurs ont ensuite vérifié si la baisse d’intensité prédite franchissait leurs critères d’émergence assez tôt pour fournir une alerte.

L’agrégation de Google News a condensé ce processus à plusieurs niveaux en une affirmation sur des signes cachés d’éruptions. Ce raccourci est compréhensible, car les régions actives sont le berceau de nombreuses éruptions. Il omet néanmoins une étape essentielle de la prévision.

Le résumé exact est plus restreint. Un apprentissage automatique soutenu par la NASA a détecté des motifs associés à l’émergence de régions actives avant que celles-ci ne soient visiblement établies. Ce résultat peut appuyer la prévision des éruptions, mais ne constitue pas en lui-même une prévision d’éruption.

Pourquoi observer sous la surface visible du Soleil est important

La recherche déplace l’attention des structures magnétiques visibles vers les mouvements plus calmes qui les précèdent.

La plupart des analyses opérationnelles deviennent plus informatives après l’apparition d’une région. Les prévisionnistes peuvent alors mesurer sa taille, sa complexité magnétique, son taux de croissance et son historique récent d’éruptions. Ces caractéristiques observables aident à estimer la probabilité d’une activité ultérieure.

Ce modèle pose une question plus précoce. La dynamique d’une zone apparemment calme peut-elle révéler où le flux magnétique émergera avant qu’une tache solaire ne se forme ?

Le Helioseismic and Magnetic Imager de la NASA, ou HMI, permet de tester cette question. HMI observe en continu le disque solaire visible et mesure l’intensité, la vitesse Doppler et les champs magnétiques. Ses mesures répétées permettent aux chercheurs de suivre des changements subtils plutôt que de comparer des instantanés isolés.

L’instrument fonctionne à bord du Solar Dynamics Observatory, lancé en février 2010. La mission étudie la manière dont se forme l’activité solaire et comment elle alimente la météo spatiale. Ses objectifs scientifiques incluent explicitement la compréhension de l’émergence des régions actives et l’amélioration des prévisions.

La recherche s’est concentrée sur des cartes de puissance acoustique dérivées des observations Doppler de HMI. Les ondes acoustiques solaires interagissent avec la convection turbulente et les structures magnétiques. L’évolution de leur puissance peut donc servir d’indicateur indirect de processus qui ne sont pas encore visuellement évidents.

Le modèle a également utilisé le flux magnétique et l’intensité du continuum. Lors des détections précoces réussies, les régions émergentes n’avaient atteint que 4 % à 9,6 % de leur flux magnétique maximal final. Le signal était présent alors que l’essentiel de la force magnétique ultérieure de la région restait encore à se développer.

Cette constatation fournit le mécanisme central de l’étude. Le réseau n’identifiait pas une tache solaire complète plus tôt qu’un observateur humain. Il reconnaissait un motif temporel associé à une future diminution de la luminosité de surface.

La distinction entre analyse temporelle et analyse statique est importante. Une image unique peut montrer si un emplacement paraît inhabituel à un moment donné. Une séquence peut révéler si plusieurs mesures faibles évoluent ensemble dans une direction reconnaissable.

C’est là que les modèles LSTM sont utiles. Leur mécanisme de mémoire peut conserver des motifs issus d’observations antérieures et réduire l’importance des fluctuations non pertinentes. Le modèle peut donc apprendre comment une région évolue, plutôt que de traiter chaque image comme un événement indépendant.

La NASA a indiqué que son supercalculateur Pleiades avait traité les observations HMI et exécuté les charges de travail d’apprentissage automatique. Un résumé informatique de 2024 décrivait une région active détectée 18 heures avant de devenir visible, sans faux positif dans cet exemple.

Cette déclaration décrit une étape du projet, pas une garantie globale de performance. L’expression « sans faux positifs » concernait le test mis en avant, et non tous les lieux et tous les moments possibles sur le Soleil.

Néanmoins, la prédiction précoce des régions actives ajouterait un temps de préparation utile. Les prévisionnistes pourraient concentrer leur attention sur un emplacement en développement avant que les indicateurs conventionnels ne deviennent forts. Les télescopes solaires à champ étroit pourraient également prioriser plus tôt des cibles prometteuses.

Les opérateurs de satellites ne modifieraient pas immédiatement leurs opérations parce qu’une région active pourrait émerger. Ils ont besoin d’éléments supplémentaires concernant les éruptions, les particules énergétiques ou le plasma dirigé vers la Terre. Cette prise de conscience plus précoce peut toutefois amorcer une chaîne plus longue de surveillance et d’évaluation des risques.

La contribution du modèle se situe donc en amont. Il ne remplace pas les prévisions d’éruptions, les modèles d’éjection de masse coronale ni les prédictions de tempêtes géomagnétiques. Il fournit à ces systèmes un emplacement candidat plus précoce à surveiller.

L’affirmation de Google News face à un test sur cinq régions

Le chiffre le plus important n’est pas l’alerte de 29 heures, mais les cinq régions non observées utilisées pour les tests finaux.

Les chercheurs ont évalué leurs modèles entraînés sur cinq régions actives exclues de l’entraînement. La meilleure configuration, appelée Model 8, a correctement prédit les cinq dans le cadre d’une évaluation expérimentale.

Dans une configuration opérationnelle plus stricte, elle en a correctement prédit trois. Il s’agissait des régions actives NOAA 11726, 13165 et 13179.

Les délais d’anticipation rapportés n’étaient pas uniformes. Le modèle a identifié AR11726 environ 10 heures à l’avance, AR13165 environ 29 heures à l’avance et AR13179 environ cinq heures à l’avance.

Ces résultats démontrent que les séquences enregistrées contenaient des informations précurseures utiles. Ils n’établissent pas un horizon d’alerte stable auquel les prévisionnistes peuvent s’attendre pour chaque future région.

Le modèle a également produit une erreur quadratique moyenne de 0,11 pour les zones actives et calmes dans les variantes testées. L’erreur quadratique moyenne résume l’écart typique entre les valeurs d’intensité prédites et observées. Des valeurs plus faibles indiquent des prédictions plus proches selon la normalisation employée dans l’étude.

Cette métrique ne répond pas à elle seule à la question opérationnelle. Un service de prévision doit identifier les régions émergentes sans submerger les prévisionnistes de fausses alertes sur de vastes zones calmes.

Il doit aussi fonctionner malgré l’évolution de la géométrie d’observation. Les mesures près du limbe solaire, le bord apparent du disque, subissent des effets de projection plus marqués. Les conditions instrumentales, les lacunes de données et les différences entre cycles solaires peuvent également modifier les distributions d’entrée.

Les résultats expérimentaux et opérationnels de l’étude illustrent cet écart. Dans le cadre expérimental, les chercheurs pouvaient évaluer si les prédictions correspondaient à des comportements d’émergence connus dans des conditions contrôlées. Un test opérationnel doit davantage ressembler à une véritable prévision, avec moins de connaissances sur ce qui se produira ensuite.

Trois réussites sur cinq cas retenus sont prometteuses pour des travaux exploratoires. Elles ne suffisent pas à déclarer l’existence d’un système mondial d’alerte fiable. Un petit échantillon peut être fortement influencé par les régions sélectionnées, les seuils et les définitions de la réussite.

Il existe également une distinction entre l’horizon de prédiction et le délai d’alerte. Le réseau a été entraîné pour prévoir l’intensité du continuum 12 heures à l’avance. Des prévisions répétées et le moment où les seuils étaient franchis ont produit des alertes d’émergence rapportées allant jusqu’à 29 heures.

Cela ne signifie pas que le réseau a généré une prévision unique et précise à 29 heures d’une tache solaire visible. Cela signifie que l’évolution de ses prédictions a franchi les critères d’émergence définis par les chercheurs aussi longtemps avant l’heure de référence.

La compression des titres supprime souvent ces détails. Un lecteur parcourant Google News peut facilement déduire que le modèle a anticipé une éruption dangereuse 29 heures avant qu’elle ne se produise. L’article scientifique sous-jacent appuie une conclusion plus prudente.

Le modèle a anticipé la formation visible d’une région active 29 heures avant son émergence enregistrée. Les régions actives sont associées à un risque accru d’éruptions, mais le modèle n’a pas affirmé que cette région produirait une éruption particulière.

La différence ressemble à la formation des tempêtes et à la prévision des tornades. Détecter un environnement propice au développement d’une tempête est utile. Cela ne permet pas de prévoir si cette tempête engendrera une tornade, quelle trajectoire elle suivra, ni qui elle touchera.

Cette limite ne rend pas ces travaux sans importance. Les chaînes de prévision s’améliorent lorsque leurs premières étapes commencent plus tôt. Cependant, chaque étape nécessite une validation distincte par rapport au résultat qu’elle prétend prédire.

Les preuves les plus solides de l’étude concernent l’émergence des régions actives. Les affirmations sur les éruptions solaires restent des implications en aval que les futurs systèmes devront tester directement.

La détection précoce de l’émergence met sous pression les flux de prévision existants

Un signal fiable de pré-émergence obligerait les prévisionnistes de la météo spatiale à surveiller les régions calmes, et pas seulement les régions actives visibles.

Les flux de travail actuels combinent déjà analyse humaine, mesures physiques, méthodes statistiques et apprentissage automatique. Une fois qu’une région active apparaît, les prévisionnistes peuvent évaluer sa complexité magnétique et son activité antérieure.

La prédiction avant l’émergence modifie le point de départ de ce processus. Elle dirige les ressources de calcul et d’observation vers des zones qui paraissent encore calmes dans les images d’intensité ordinaires.

La pression immédiate s’exerce sur les pipelines de données. Un modèle de recherche peut traiter des observations soigneusement préparées après un événement. Un service opérationnel doit recevoir, calibrer et analyser en continu des données couvrant l’ensemble du disque solaire.

HMI produit des mesures de l’ensemble du Soleil visible à intervalles réguliers. Les produits publics SHARP de la NASA, pour Space-weather HMI Active Region Patches, regroupent des informations magnétiques et d’intensité autour de régions déjà identifiées.

L’objectif du modèle se situe en partie avant même que cette zone ne soit définie. Un système de production devrait balayer des tuiles de Soleil calme, conserver leur historique et mettre à jour les probabilités d’émergence à mesure que de nouvelles observations arrivent.

Cela soulève un problème de déséquilibre des classes. À tout instant, la plupart des emplacements candidats ne produiront pas une grande région active. Même un faible taux de faux positifs peut générer de nombreuses alertes lorsqu’il est appliqué à l’ensemble du disque et à de nombreux pas de temps.

Les concepteurs de prévisions doivent donc évaluer simultanément la précision, le rappel, le taux de fausses alertes et le délai d’anticipation. Maximiser le temps d’avance ne suffit pas si les alertes deviennent trop fréquentes pour inspirer confiance.

Les chercheurs doivent également choisir ce que signifie une alerte. Elle pourrait signaler une baisse d’intensité prédite, une émergence probable de flux magnétique ou une région active susceptible d’être désignée par la NOAA. Ces résultats se recoupent, mais ne sont pas interchangeables.

Cette approche rivalise moins avec une entreprise qu’avec une séquence observationnelle conventionnelle. Les flux de travail traditionnels attendent des preuves magnétiques claires à la surface, puis estiment le risque d’éruption. La nouvelle voie tente d’identifier une source en développement avant que ces preuves n’aient pleinement émergé.

C’est le principal adversaire de cet article : l’inférence acoustique précoce contre la surveillance des régions visibles. Le nouveau modèle prolonge la première approche, mais dépend toujours de la seconde pour confirmation.

D’autres projets d’apprentissage automatique ciblent des étapes ultérieures. Certains classifient la probabilité que des régions actives établies produisent une éruption. D’autres estiment si une éruption s’accompagnera d’une éjection de masse coronale ou produira des particules énergétiques.

Ces systèmes utilisent souvent des paramètres SHARP, des magnétogrammes ou des historiques de rayons X après que l’activité pertinente est mesurable. Ils répondent à des questions plus proches du danger final, mais commencent généralement plus tard dans la séquence physique.

Le modèle de NASA Ames intervient plus tôt tout en acceptant une plus grande incertitude quant au résultat final. Une région peut émerger sans générer d’événement dommageable. Plus la prévision commence tôt, plus les possibilités de bifurcation restent nombreuses.

Ce compromis doit guider la conception opérationnelle. Une alerte de pré-émergence a sa place dans un système de hiérarchisation de l’attention, et non dans une commande d’arrêt automatique pour des satellites ou des infrastructures.

Par exemple, une alerte pourrait demander aux observatoires de conserver des données à cadence plus élevée pour un emplacement. Elle pourrait également déclencher des exécutions de modèles supplémentaires à mesure que le flux magnétique se renforce. Des preuves ultérieures détermineraient si la situation mérite un avertissement opérationnel.

Cette réponse graduée ressemble à la détection d’anomalies dans d’autres systèmes techniques. Un signal précoce ouvre une enquête. Il n’établit pas à lui seul la gravité ni la cause de l’anomalie.

Le modèle pourrait également améliorer l’observation scientifique. Les instruments solaires à haute résolution ne peuvent pas toujours surveiller simultanément chaque emplacement prometteur. Un ciblage plus précoce augmenterait les chances de capturer l’intégralité du processus de formation.

Des séquences complètes sont précieuses, car les éruptions solaires restent difficiles à expliquer. Les chercheurs ont besoin d’observations allant d’avant l’émergence à l’évolution magnétique et, parfois, à l’éruption. Manquer la première étape limite l’analyse causale.

La valeur pratique pourrait donc d’abord se manifester dans les opérations de recherche. Un meilleur ciblage des instruments et une meilleure collecte de données pourraient précéder tout produit de prévision public.

Ce que les résultats ne permettent toujours pas d’établir

Le modèle n’a pas démontré que ses motifs précurseurs se généralisent à l’ensemble du Soleil, à plusieurs instruments et à un cycle solaire complet.

Cinq régions actives inédites constituent un test initial, pas une référence opérationnelle représentative. Les régions solaires diffèrent par leur taille, leur latitude, leur structure magnétique, leur vitesse de croissance et leur angle de vue.

Un modèle peut bien fonctionner sur un petit ensemble de test mis de côté, puis peiner lorsque les conditions changent. Ce problème, appelé décalage de distribution, survient lorsque les entrées opérationnelles diffèrent des données d’entraînement.

L’activité solaire suit elle-même un cycle d’environ 11 ans. Les observations près du maximum d’activité présentent des environnements magnétiques plus encombrés et plus complexes que celles réalisées près du minimum. La validation devrait couvrir les deux conditions.

Les chercheurs ont également besoin de plus grands ensembles de contrôle du Soleil calme. Un modèle d’émergence doit distinguer les véritables précurseurs de la variabilité acoustique ordinaire sur de nombreux emplacements qui ne développent jamais d’activité magnétique notable.

Les faux positifs méritent une attention particulière. Une étude de cas scientifique peut mettre en avant une alerte réussie. Un prévisionniste opérationnel doit connaître le nombre d’alertes incorrectes produites lors de la recherche de ce succès.

Le résumé informatique de la NASA a mis en avant une détection 18 heures à l’avance sans faux positifs. L’article évalué par les pairs fournit des preuves méthodologiques plus larges, mais ne transforme pas cet exemple en une affirmation universelle d’absence de fausses alertes.

La reproductibilité est une autre exigence. Des équipes indépendantes devraient appliquer la méthode à des séquences HMI comparables en utilisant un prétraitement, un découpage en tuiles, des seuils et des règles d’évaluation documentés.

La source d’observation sous-jacente est bien établie. Le jeu de données SHARP de la NASA contient des champs magnétiques vectoriels, des champs selon la ligne de visée, l’intensité du continuum, la vitesse Doppler et des produits associés.

Cependant, une source de données partagée ne garantit pas des résultats comparables. Les choix concernant la normalisation, les fenêtres temporelles, les étiquettes de régions actives et les contrôles calmes peuvent fortement influencer les performances du modèle.

L’interprétabilité du modèle reste également limitée. Les chercheurs ont lié ses prédictions à des changements de puissance acoustique, mais un LSTM n’explique pas automatiquement quel processus physique a provoqué chaque prédiction.

Un système scientifique utile devrait montrer où et quand des signaux influents sont apparus. Il devrait également distinguer les précurseurs acoustiques des artefacts instrumentaux ou des motifs corrélés aux étiquettes.

Une validation informée par la physique peut aider. Les chercheurs peuvent comparer les régions de forte saillance du modèle avec des simulations de flux magnétique ascendant et des signatures héliosismiques connues. Une concordance renforcerait l’interprétation physique.

Des tests inter-instruments seraient également précieux. HMI offre un long historique cohérent, mais les futurs systèmes opérationnels ne peuvent pas supposer qu’un seul instrument restera disponible indéfiniment. Une méthode portable doit présenter un comportement stable avec des capteurs de remplacement ou complémentaires.

Surtout, l’émergence des régions actives n’est qu’un maillon de la chaîne de dangers. Les maillons suivants incluent la production d’éruptions, la direction des éjections de masse coronale, l’accélération de particules énergétiques et l’interaction avec le champ magnétique terrestre.

Les erreurs se cumulent le long de cette chaîne. Une alerte précoce sur une région peut être correcte tandis qu’une prévision ultérieure d’éruption est erronée. Une prédiction d’éruption peut également être correcte alors que l’événement présente peu de risques pour la Terre.

L’orientation du titre de l’article surestime donc ce qui a été établi. « Signes d’éruptions solaires » suggère des preuves directement liées aux éruptions. Le signal vérifié était lié à des régions actives émergentes susceptibles de devenir des sources d’éruptions.

Il ne s’agit pas seulement d’une prudence sémantique. Les utilisateurs agissent différemment face à une alerte concernant une région source et à une prévision de danger. Les opérateurs de satellites, les planificateurs de réseaux électriques et les services aéronautiques ont besoin de probabilités calibrées liées à des impacts précis.

Pour les lecteurs qui suivent les affirmations sur l’IA via Google News, la leçon est plus large. La variable cible d’un modèle compte autant que sa précision. Prédire un précurseur ne revient pas à prédire tous les événements en aval associés à ce précurseur.

Trois signaux montreront si le modèle peut devenir opérationnel

La phase suivante doit démontrer le passage à l’échelle, maîtriser les fausses alertes et relier les avertissements précoces d’émergence aux dangers ultérieurs.

Le premier signal est un test prospectif beaucoup plus vaste. Les chercheurs devraient exécuter le modèle sur des observations entrantes sans sélectionner à l’avance des cas d’émergence connus.

Une évaluation prospective enregistrerait chaque alerte, chaque région active manquée et chaque emplacement calme signalé à tort. Elle devrait s’étendre sur une période suffisante pour inclure l’évolution des conditions solaires et des géométries d’observation.

Le succès signifierait que le résultat obtenu sur cinq régions résiste à un test réaliste couvrant l’ensemble du disque. Un échec suggérerait que les cas initiaux ont capturé un schéma plus étroit que ne le laissait entendre le titre.

Le deuxième signal est une analyse transparente des fausses alertes. Les chercheurs devraient publier la précision, le rappel, les distributions de délais d’alerte et les fausses alertes par période d’observation.

Un système d’alerte doit montrer si des délais d’anticipation plus longs se paient par une fiabilité moindre. Ce compromis détermine si les prévisionnistes peuvent intégrer le modèle sans ajouter de bruit distrayant.

Une référence utile devrait également distinguer les petites émergences des grandes régions pertinentes pour la météo spatiale. Détecter correctement de nombreuses régions faibles peut augmenter la précision globale sans améliorer la préparation aux événements conséquents.

Le troisième signal est l’intégration avec des modèles en aval d’éruptions et d’éjections. Un avertissement de pré-émergence devient plus utile si des mesures ultérieures mettent à jour le risque évolutif de la même région.

Ce système intégré pourrait commencer par des preuves acoustiques, ajouter la croissance du flux magnétique, puis intégrer la complexité du champ ou l’historique des éruptions. Chaque étape affinerait la probabilité au lieu de traiter la première alerte comme une réponse définitive.

Une telle intégration renforcerait l’affirmation centrale si elle améliore le délai d’alerte sans dégrader le calibrage. Elle l’affaiblirait si les alertes précoces ajoutent peu aux prévisions établies après l’émergence visible.

Il n’est pas nécessaire d’attendre un système parfait de bout en bout avant d’utiliser ces recherches. Les observatoires peuvent tester un ciblage précoce, et les scientifiques peuvent dès maintenant recueillir des séquences d’émergence plus complètes.

La communication publique doit faire preuve de davantage de rigueur. Un titre dans Google News peut faire paraître « prédire un précurseur » équivalent à « prédire une éruption ». Les lecteurs devraient vérifier la sortie réelle du modèle, l’échantillon d’évaluation et la définition opérationnelle.

Le résultat sous-jacent reste digne d’intérêt. Un réseau neuronal a identifié des signaux en évolution alors que les régions actives étaient encore largement cachées, y compris trois cas opérationnels réussis avec des délais d’anticipation de cinq à 29 heures.

La question ouverte n’est plus de savoir si ces signaux existent dans des observations sélectionnées. Elle est de savoir s’ils réapparaissent de façon fiable à travers le Soleil et améliorent les prévisions qui comptent pour les personnes et les machines.

Surveillez les prochains tests à l’échelle complète, les statistiques exhaustives sur les fausses alertes et les liens vers les probabilités d’éruption ultérieures. Ces trois résultats détermineront si cet article de Google News marque une avancée opérationnelle ou une étape de recherche prometteuse.