CE23 - Intelligence Artificielle

Prédiction de l'activité solaire à partir de données hétérogènes par apprentissage automatique – PRESAGE

PRESAGE

PREvision de l'activité Solaire par Apprentisage automatique sur données hétéroGEnes

Objectifs

Notre projet s'intéresse à l'activité du Soleil, dont les événements (par exemple les éruptions et les éjections de masse coronale (CME)) sont des phénomènes dynamiques qui peuvent avoir de forts impacts sur l'environnement solaire-terrestre. Les événements d'activité solaire semblent être fortement associés à l'évolution des structures solaires (par exemple, les régions actives et les filaments), qui sont des objets de l'atmosphère solaire qui diffèrent du «Soleil calme« et qui apparaissent, évoluent et disparaissent sur une période de quelques jours à quelques mois. Les mécanismes exacts de l'activité solaire et les liens entre les structures solaires et les événements d'activité sont encore mal compris.<br /><br />Notre projet a trois objectifs liés à la physique solaire, à savoir :<br /><br />1) Améliorer notre compréhension des mécanismes de l'activité solaire.<br /><br />2) Permettre la prévision des événements d'activité solaire tels que les éruptions, les CME, les niveaux d'émission de rayonnement et les flux de particules ionisées susceptibles d'atteindre l'environnement terrestre.<br /><br />3) Étudier l'existence de comportements temporels typiques pour les structures solaires, c'est-à-dire les filaments, les régions actives (RA), les taches solaires et les trous coronaux, en 2D et en 3D.<br /><br />Ces objectifs seront soutenus par deux objectifs centraux en machine learning (ML) :<br /><br />4) Développer de nouvelles méthodes d'apprentissage automatique capables d'exploiter les données hétérogènes générées par les nombreuses missions d'observation de la physique solaire et de la météo spatiale.<br /><br />5) Développer de nouveaux algorithmes ML qui seront guidés par des connaissances en physique pour augmenter leur robustesse et leur interprétabilité, et pour réduire leur besoin en grands ensembles de données d'entrainement.

Le travail est structuré en trois Work Packages (WP) scientifiques pour : 1) détecter les structures solaires en 3D, 2) modéliser leurs comportements, et 3) combiner ces nouveaux indicateurs avec des indicateurs historiques pour prédire l'activité solaire. Une approche multimodale et l'intégration des connaissances du domaine soutiendront la conception de nouvelles méthodes ML tout au long de ces WP.

Work package #1 : Détection 3D de structures solaires
Objectifs : Localiser les structures solaires et récupérer leurs formes 3D à partir d'observations visuelles du Soleil.

Work package #2 : Etude comportementale des structures solaires
Objectifs : Déterminer l'existence de comportements typiques et les modéliser, à travers une étude de l'évolution au cours de la vie des structures solaires.

Work package #3: Prévision des événements d'activité solaire
Objectifs : Approfondir notre compréhension de l'activité solaire, et prévoir ses événements, en combinant les indicateurs d'activité traditionnels et les nouveaux indicateurs des WPs 1&2. La combinaison d'indicateurs nécessitera de nouvelles méthodes de ML pour gérer des données hétérogènes. Le prédicteur d'activité intégrera les connaissances antérieures des WP 1 et 2 pour une plus grande robustesse et interprétabilité.

Nos cinq objectifs seront atteints grâce à la production des résultats suivants :

#1 : Une identification des corrélations entre les différents indicateurs d'activité solaire considérés dans l'étude, et de leur pertinence pour prévoir les événements d'activité solaire.

#2 : Une méthode ML pour prévoir les événements de l'activité solaire, y compris les éruptions, les CME, les niveaux d'émission de rayonnement et les flux de particules ionisées susceptibles d'atteindre l'environnement terrestre.

#3 : Nouveaux indicateurs de haut niveau de l'activité solaire :
- Des informations sur l'existence de schémas de comportement des structures solaires (filaments, RA, taches solaires et trous coronaux), isolés et en interaction, et leur modélisation si ils existent.
- Des informations sur la géométrie 3D des structures solaires (filaments, AR et trous coronaux).

#4 : Méthodes ML multimodales pour :
- étudier les corrélations entre plusieurs types d'indicateurs d'activité solaire
- combiner plusieurs observations d'une même structure solaire à différentes couches de l'atmosphère solaire
- exploiter conjointement différents indicateurs de plusieurs instruments pour prédire l'activité solaire

#5 : Nouvelles méthodes ML qui intègrent des connaissances physiques pour une meilleure robustesse, interprétabilité et un entrainement plus faciles à partir d'un nombre réduit d'exemples.

La recherche créera de nouvelles connaissances en CV, ML et DL, en s'attaquant aux nouveaux défis offerts par les données héliophysiques. Cela fera également progresser le jeune domaine du deep learning, dont l'impact potentiel important sur la technologie et sur nos vies est actuellement limité par son aspect de boîte noire qui réduit l'utilisabilité pour les applications sensibles. Contribuer à résoudre cette limitation est un axe fort du projet.

Le projet vise également à créer de nouvelles connaissances sur les mécanismes de l'activité solaire en permettant l'exploitation conjointe de grandes quantités de données d'observation, contribuant ainsi à améliorer notre compréhension du Soleil et des étoiles en général.

Les utilisateurs finaux du projet sont des chercheurs en physique solaire et en météo spatiale. De nouvelles méthodes et de nouveaux outils leur permettront d'analyser les données de plus en plus nombreuses et hétérogène des nouvelles missions d'observation. Le projet apportera également de nouvelles connaissances et de nouveaux outils pour faire progresser les disciplines de l'astrophysique et des sciences spatiales en général, en abordant les défis d'analyse d'images multimodales qui sont communs à de nombreux scénarios d'observation. Il aidera leurs chercheurs à produire des résultats de haute qualité basés sur de grandes données d'observation.

Ces impacts seront réalisés grâce à une large diffusion des résultats auprès des communautés de l'IA, de la physique solaire et de l'astrophysique. Les outils d'analyse d'images seront rendus publics en logiciels open source sur GitHub. De nouvelles méthodes d'analyse d'images seront publiées dans des revues de physique solaire/astrophysique et d'IA. Les logiciels et les méthodes seront présentés lors d'ateliers, de séminaires (par exemple à l'institut partenaire) et de conférences.

Le but de ce projet multidisciplinaire est de développer des méthodes d’apprentissage qui amélioreront notre compréhension des mécanismes de l’activité solaire afin de nous permettre d’en prédire les événements. La communauté de la physique solaire fait face à un déluge de données, dont la grande variété et la complexité ont jusqu’alors empêché une analyse d’ensemble menant à une compréhension globale de l’activité solaire. Nous proposons de résoudre ce problème en développant de nouvelles méthodes d’apprentissage qui exploiteront ces données hétérogènes, pour 1) étudier les propriétés en 3D des structures solaires (filaments, tâches…), 2) modéliser leurs évolutions et comportements, 3) étudier les corrélations entre de nombreux indices d’activité solaire (structures et leurs comportements…), ses événements (éruptions, éjections de masse coronale…) et des indices terrestres résultants (indices géomagnétiques…), et 4) prédire les événements d’activité solaire et leurs effets sur Terre.

Coordination du projet

Adeline Paiement (Laboratoire d'Informatique et Systèmes)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

LIS Laboratoire d'Informatique et Systèmes

Aide de l'ANR 226 119 euros
Début et durée du projet scientifique : août 2021 - 36 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter