Le Soleil trace continuellement des gribouillis de champs magnétiques à sa surface. Ces motifs ne sont pas de simples ondulations, mais une écriture dans laquelle la nature a crypté des avertissements d'éruptions. Une éruption est une explosion qui libère en quelques minutes l'énergie de milliards de bombes nucléaires, projetant dans l'espace des flux de plasma et de rayonnement. En atteignant la Terre, ces perturbations du vent solaire perturbent le fonctionnement des satellites et des réseaux électriques. Les prévoir est une tâche dont dépend notre civilisation technologique.

Les physiciens connaissent depuis longtemps les lois qui lient les champs magnétiques et l'électricité — elles ont été formulées par Faraday et Maxwell dans le cadre de l'électromagnétisme. Mais le caractère capricieux du Soleil s'est avéré trop complexe pour des calculs directs. L'apprentissage automatique et les réseaux de neurones convolutifs sont venus à la rescousse. Ils ont été entraînés sur des milliers de magnétogrammes — des cartes du champ magnétique prises à haute résolution par l'instrument de polarimétrie à bord du satellite SDO. Le réseau a appris à prédire les éruptions, mais sa logique interne restait un mystère. C'est ainsi que sont apparues les méthodes d'IA explicable (XAI). L'une d'elles, Grad-CAM, met en évidence les pixels de l'image qui ont le plus influencé le verdict du réseau. Il s'est avéré que le réseau de neurones ne devine pas au hasard : il identifie sans erreur sur les magnétogrammes des zones particulières, appelées « régions focalisées par le modèle » (MFR).

Une analyse plus poussée a révélé un détail frappant. Dans les zones MFR qui poussaient le réseau vers une réponse alarmante, les polarités magnétiques étaient réparties de manière asymétrique : la surface d'une polarité était environ deux fois plus grande que celle de l'autre. Les chercheurs ont résumé cela par un indice simple de déséquilibre polaire : PII = |N₊ − N₋| / (N₊ + N₋). Il vaut zéro en cas d'équilibre parfait et un en cas de domination complète d'un signe. Pour les zones « à risque d'éruption », le PII était d'environ 0,33. C'est une indication précise d'une configuration sujette à la reconnexion magnétique — le processus par lequel les lignes de force se réorganisent brutalement, libérant l'énergie accumulée. En revanche, les zones ignorées par le réseau étaient presque unipolaires, avec un PII proche de 1.

Ainsi, le réseau de neurones convolutif a intuitivement saisi un principe physique, sans jamais avoir eu entre les mains un manuel d'électrodynamique. Ce résultat transforme l'XAI d'un outil de débogage en une fenêtre sur les découvertes scientifiques. Désormais, en scrutant les gribouillis magnétiques, les scientifiques peuvent non seulement chercher des signes connus, mais aussi remarquer de nouveaux indices détectés par l'algorithme. À l'avenir, les télescopes de nouvelle génération, comme DKIST et Solar Orbiter, fourniront des magnétogrammes d'une résolution sans précédent. Associés à des méthodes d'IA explicable plus fines, ils aideront à discerner les microstructures qui déclenchent une éruption. Une autre piste consiste à ajouter des séries temporelles, afin que le réseau apprenne l'évolution de l'écriture magnétique pendant les heures précédant l'événement.

En revenant à l'image de l'écriture magnétique, on voit comment la machine a appris à lire un sens dans des motifs apparemment abstraits. Et ce n'est pas qu'une métaphore : nous sommes à l'aube de systèmes d'alerte précoce qui préviendront pilotes, opérateurs de satellites et gestionnaires de réseaux électriques d'une tempête solaire imminente. Et en science fondamentale, la méthode promet de rapprocher la résolution du mystère de savoir pourquoi une région active explose tandis qu'une autre, presque identique, reste calme — une énigme clé de la physique solaire.