Comment un réseau de neurones apprend à lire la tapisserie magnétique du Soleil ✛
Chaque matin, des dizaines de télescopes se braquent sur le Soleil. Leurs caméras capturent une fine bande de lumière rouge : la raie Hα, découverte par Johann Jakob Balmer. Sur les images, des filaments sombres et capricieusement incurvés apparaissent. Ils ressemblent aux points d'une immense tapisserie cousue à travers la couronne brûlante. Ce sont des filaments solaires : des arches denses de plasma flottant au-dessus d'invisibles coutures magnétiques.
Annoter une telle étoffe à la main est un travail de Sisyphe. En des décennies, des millions d'images se sont accumulées, mais les filaments se ramifient, changent d'épaisseur et se noient dans le bruit. La luminosité dépend de l'angle de vue. Les filaments eux-mêmes occupent moins d'un dixième du disque. Les algorithmes classiques, réglés sur les variations de luminosité, deviennent aveugles sur un fond bigarré. Les premières réseaux de neurones trébuchent : les pixels de fond sont des dizaines de fois plus nombreux que les pixels de filament.
MORDEN travaille comme un tisserand expérimenté. Elle hérite de la structure U-Net, le classique des réseaux de neurones convolutifs pour la segmentation d'images, mais emprunte plusieurs astuces aux fleurons de la vision par ordinateur. Le pooling pyramidal adaptatif (APP) examine la tapisserie à différentes échelles, des gros câbles aux fils à peine visibles. Le bloc Patch Attention Gate (PAG) capture le motif global sans l'auto-attention lourde. Les connexions « branch » en arborescence injectent des indices sémantiques dans les couches précoces. Deux troncs parallèles rendent l'apprentissage plus stable.
Même après MORDEN, les contours restent déchiquetés. C'est là qu'intervient DenseCRF. Comme une loupe sur la tapisserie, il scrute l'image originale en haute définition et corrige la frontière là où les luminosités des pixels voisins ne correspondent pas. Ensuite, DBSCAN, sans aucune indication, recolle les lambeaux épars en filaments entiers, uniquement selon leur disposition mutuelle. Sur l'ensemble de test, la précision du modèle a dépassé 81 %. Après un réentraînement sur 775 images annotées automatiquement, la métrique IoU a grimpé à 0,812. DenseCRF a affiné les contours si bien que le gradient moyen de luminosité le long du contour a surpassé l'annotation manuelle.
Ainsi, maille après maille, la trame magnétique de l'étoile émerge du chaos des pixels. Le pipeline « MORDEN + DenseCRF + DBSCAN » est un premier pas vers la transformation de l'apprentissage automatique en un cartographe à part entière de l'activité solaire. Il ouvre la voie à des archives de filaments sur des décennies, à l'alerte précoce des éruptions et des éjections. À venir : l'ajout de cartes magnétiques, d'images stéréoscopiques et de hybrides avec des transformeurs. En attendant, chaque matin, les télescopes poursuivent leur dialogue muet avec le Soleil, et le réseau entraîné démêle patiemment sa tapisserie de feu, fil après fil.
Lors d'une éclipse solaire totale, les filaments, visibles sur le disque comme des fils sombres, se transforment en protubérances brillantes : des fontaines de plasma au-dessus du limbe lunaire. Les plus grandes peuvent ceinturer le quart de la circonférence solaire.
Dans le film « Signes » (2009), une immense éruption solaire réduit la Terre en cendres : c'est une représentation artistique d'une éjection coronale provoquée par l'éruption d'un filament. Notre pipeline vise justement la détection précoce de telles structures, afin de distinguer la fiction hollywoodienne de la menace réelle.