NASA et IBM ont publié un modèle d’intelligence artificielle open source conçu pour centraliser des décennies de données d’exploration lunaire. Présenté pour appuyer de futures missions habitées, cet outil combine de multiples instruments afin d’identifier des ressources et des structures géologiques avec une précision accrue.
L’exploration de la Lune franchit un nouveau cap technique grâce à la diffusion publique d’un outil informatique inédit. L’agence spatiale américaine et l’entreprise technologique IBM ont officialisé la mise à disposition d’un modèle de fondation destiné à l’analyse scientifique du satellite naturel, selon les informations diffusées le 18 septembre 2026.
Une base de données unifiée pour combler les lacunes historiques
Depuis des décennies, les instruments en orbite et les capteurs au sol accumulent des pétaoctets d’informations. Toutefois, ces archives souffraient d’un manque d’uniformité. Pour étudier la surface sélène, les chercheurs devaient trier manuellement des cartes et des images ou recourir à des algorithmes de type apprentissage automatique restreints à des tâches spécifiques. Ces méthodes traditionnelles se révèlent lourdes sur le plan informatique et manquent souvent de la rigueur scientifique requise pour repérer des particularités géographiques.
Pour répondre à cette difficulté, les équipes scientifiques ont développé SomBench, un ensemble de données multimodales regroupant près de deux millions de blocs d’information co-enregistrés. Cet ensemble couvre 11 modalités et deux échelles spatiales. Il fusionne plus de 30 couches alignées spatialement, issues de neuf instruments répartis sur quatre missions différentes, créant ainsi le premier jeu de données ouvert de ce type pour l’apprentissage automatique.
L’un des plus grands défis a consisté à rassembler des ensembles de données lunaires s’étendant sur des instruments très différents et des résolutions spatiales très variées, tout en préservant la valeur scientifique de chaque ensemble. Dre Rachel Slank, scientifique associée à la Universities Space Research Association (USRA)
Apports de la recherche planétaire et performances aux bancs d’essai
Le projet a bénéficié de l’expertise de la Universities Space Research Association (USRA). La Dre Rachel Slank, scientifique associée au sein de l’institut de science et de technologie de l’organisation et détachée au centre de vol spatial Marshall de la NASA, a agi en tant qu’experte thématique. Elle a notamment dirigé la conception du banc d’essai pour l’identification des cratères à haute résolution en s’appuyant sur les images de la caméra de l’orbiteur de reconnaissance lunaire (LROC NAC), ce qui a permis d’identifier manuellement plus de 49 000 cratères lunaires.
L’efficacité de ce modèle d’intelligence artificielle a été mesurée à travers trois applications de référence : la détection des cratères d’impact, la segmentation de formations volcaniques particulières et la régression de la prospectivité en glace polaire. Les résultats démontrent que l’architecture surpasse ou égale les modèles entraînés selon les méthodes classiques basées sur ImageNet, tout en réduisant le volume de données étiquetées nécessaires pour certaines tâches spécifiques.
Application aux glaces polaires et à l’histoire volcanique
Les zones d’ombre permanente situées aux pôles lunaires retiennent l’attention des planétologues, car elles peuvent abriter de l’eau glacée, indispensable à la production de carburant pour de futures missions vers Mars et à la survie d’une base humaine. Le modèle combine des observations multidimensionnelles pour anticiper la localisation de ces gisements. Les documents techniques indiquent une réduction de l’erreur quadratique moyenne de près de up to 22% par rapport aux modèles de référence pour cibler ces zones.
De la même manière, l’analyse des particularités volcaniques de type Irregular Mare Patches
aide à décrypter l’évolution thermique de la Lune. L’outil capture plus fidèlement l’étendue de ces structures, facilitant la planification des opérations de surface et l’identification des risques liés au relief, tels que les pentes abruptes ou les rochers.
La NASA a passé des décennies à bâtir un dossier scientifique extraordinaire sur la Lune, mais la collecte de données ne représente qu’une partie du travail. Nous devons également rendre ces données plus faciles à explorer et à utiliser pour les scientifiques. Kevin Murphy, responsable scientifique des données et chef par intérim des données et de l’intelligence artificielle au siège de la NASA à Washington
Perspectives pour la communauté scientifique mondiale
En rendant publics le modèle pré-entraîné, le code d’affinage et les bancs d’évaluation, les concepteurs entendent offrir un socle réutilisable aux chercheurs du monde entier. Cette mise en commun vise à accélérer les découvertes en reliant des observations jusqu’ici exploitées de manière isolée.
Le modèle de fondation lunaire NASA-IBM offre aux scientifiques une base pour explorer la Lune à grande échelle, en connectant des observations entre différents instruments, en révélant des schémas difficiles à percevoir isolément et en fournissant une plate-forme ouverte sur laquelle la communauté de recherche mondiale peut s’appuyer. Juan Bernabe-Moreno, directeur d’IBM Research Europe pour le Royaume-Uni et l’Irlande
Sur le même sujet
- Convenience stores japonaises mettent en sélection de sucreries alimentées par l’intelligence artificielle
- Augmentation du tarif de remplacement batterie pour iPhone 18 Pro
- Virginia Dignum, spécialiste de l’éthique et de l’IA : « Le récit de l’extinction sert les entreprises d’intelligence artificielle » (lederniereheure.com)