Cycles solaires : comment la balançoire magnétique fait osciller l'avenir express
Les taches solaires sont les traces de champs magnétiques qui émergent à la surface. Elles vivent leur vie : les taches apparues plus près de l'équateur s'inclinent davantage, tandis que celles plus éloignées s'inclinent moins. Ces deux effets, comme deux boutons de réglage sur un vieux poste de radio, contrôlent la quantité de champ magnétique qui atteint les pôles du Soleil et s'y accumule pour le cycle suivant.
Les chercheurs ont entraîné un réseau de neurones à résoudre l'équation de transport du champ magnétique à la surface du Soleil, en y intégrant les lois physiques. Cette approche a permis de séparer l'influence de l'inclinaison des taches de celle de leur latitude. Il est apparu que lors d'un mélange rapide des champs magnétiques, l'inclinaison des taches est davantage supprimée, tandis que lors de puissants flux de plasma, l'effet de latitude domine.
La découverte clé : le rapport des contributions de ces deux effets varie progressivement en fonction de l'efficacité de la dynamo solaire. Cela affine les anciennes formules approximatives et réduit la dispersion des données. L'approche par réseau de neurones a donné des erreurs plus faibles que le modèle unidimensionnel traditionnel et a reconstruit plus fiablement les tendances non linéaires.
Cette compréhension aide à mieux prédire la force des futurs cycles solaires, dont dépendent les satellites, les communications et même les vols spatiaux.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.16656
The solar dynamo relies on the regeneration of the poloidal magnetic field through processes strongly modulated by nonlinear feedbacks such as tilt quenching (TQ) and latitude quenching (LQ). These mechanisms play a decisive role in regulating the buildup of the Sun's polar field and, in turn, the amplitude of future solar cycles. In this work, we employ Physics-Informed Neural Networks (PINN) to solve the surface flux transport (SFT) equation, embedding physical constraints directly into the neural network framework. By systematically varying transport parameters, we isolate the relative contributions of TQ and LQ to polar dipole buildup. We use the residual dipole moment as a diagnostic for cycle-to-cycle amplification and show that TQ suppression strengthens with increasing diffusivity, while LQ dominates in advection-dominated regimes. The ratio $$\Delta D_{\mathrm{LQ}}/\Delta D_{\mathrm{TQ}}$$ exhibits a smooth inverse-square dependence on the dynamo effectivity range, refining previous empirical fits with improved accuracy and reduced scatter. The results further reveal that the need for a decay term is not essential for PINN set-up due to the training process. Compared with the traditional 1D SFT model, the PINN framework achieves significantly lower error metrics and more robust recovery of nonlinear trends. Our results suggest that the nonlinear interplay between LQ and TQ can naturally produce alternations between weak and strong cycles, providing a physical explanation for the observed even-odd cycle modulation. These findings demonstrate the potential of PINN as an accurate, efficient, and physically consistent tool for solar cycle prediction.
Le cycle solaire dure environ 11 ans, mais sa force peut varier du simple au double : par exemple, le 24e cycle a été presque deux fois plus faible que le précédent.