Un modèle IA d’IBM et NASA pour cartographier la Lune

IBM et la NASA ont publié un modèle de fondation open source dédié à la Lune, entraîné sur des décennies d’observations issues de plusieurs missions et instruments. Mis à disposition sur Hugging Face, ce système vise à accélérer l’analyse de la surface lunaire, alors que les programmes de retour sur la Lune prennent de l’épaisseur et que les usages industriels, comme la recherche de glace, deviennent centraux. La promesse est simple à formuler, moins à exécuter : mieux lire le sol pour préparer la suite.

Un modèle pensé pour lire la Lune à grande échelle

Le NASA-IBM Lunar Foundation Model s’appuie sur un jeu de données lunaire open source construit par les deux partenaires. Selon les sources fournies, il agrège plus de 30 couches spatialement alignées, issues de neuf instruments et de quatre missions, avec des milliers d’images et de cartes provenant notamment de Lunar Reconnaissance Orbiter, de GRAIL et de SELENE/Kaguya. IBM parle d’un modèle multimodal et multi-résolution ; en clair, il peut croiser plusieurs types de données et plusieurs niveaux de détail au lieu de traiter chaque image isolément.

Cette approche change la manière de travailler des chercheurs. Jusqu’ici, ils devaient souvent comparer manuellement des cartes et des images collectées à des échelles différentes, ou s’appuyer sur des modèles d’apprentissage automatique limités à une seule tâche. Désormais, le système est censé aider à détecter des cratères, des formations volcaniques, des dépôts de glace et des zones géologiquement intéressantes. L’IA n’explore pas la Lune à la place des humains, mais elle réduit le temps passé à trier des masses de données. Et sur ce terrain, la Lune n’est pas exactement un petit dossier de bureau.

Pourquoi la glace lunaire concentre autant d’attention

Le cas d’usage le plus stratégique reste la recherche de glace dans les zones plongées dans l’ombre permanente. Cette glace pourrait fournir de l’eau aux astronautes, puis de l’oxygène et de l’hydrogène utilisables pour la vie à bord et le carburant. C’est aussi l’un des verrous techniques des futures missions de longue durée, y compris dans la perspective d’une base lunaire pérenne. Les sources indiquent que le modèle réduit l’erreur jusqu’à 22% pour identifier les zones à fort potentiel de glace, par rapport à des modèles antérieurs [à vérifier selon le protocole exact de comparaison].

IBM et la NASA mettent aussi en avant un gain allant jusqu’à 23% sur l’identification de caractéristiques géographiques clés, comme les cratères, les structures volcaniques et les dépôts de glace. Sur un autre plan, le modèle doit aider à étudier les Irregular Mare Patches, des formations volcaniques irrégulières qui éclairent l’histoire thermique et volcanique de la Lune. Les chercheurs peuvent ainsi relier des observations dispersées, puis mieux comprendre quels terrains supporteraient une base, une opération minière ou un site d’atterrissage plus sûr.

Ce que contient le jeu de données derrière le modèle

Le corpus nommé SomBench, ou jeu de données lunaire co-enregistré, rassemble deux grands ensembles. D’après les éléments fournis, il comprend 963 609 tuiles pour l’imagerie grand angle et 1 000 113 tuiles pour l’imagerie à haute résolution, soit plus de 1,9 million de tuiles au total. IBM précise aussi que l’entraînement a mobilisé 11 modalités et, dans la version détaillée du modèle card, 16 GPU H100 pendant 150 000 étapes. Ces chiffres donnent une idée du volume. La Lune, visiblement, n’a pas été regardée avec une loupe de poche.

Le modèle est publié sous licence Apache-2.0, tandis que le jeu de données est annoncé sous CC BY 4.0 et hébergé sur AWS. IBM indique aussi qu’il rejoint la famille Prithvi, déjà utilisée pour la géospatialisation, la météo et l’héliophysique. Côté outil, la logique est celle d’un socle réutilisable : au lieu de reconstruire un modèle pour chaque question scientifique, les chercheurs peuvent l’adapter par affinage ou LoRA, une méthode légère qui ajuste seulement une partie des paramètres.

Des résultats encourageants, mais pas un feu vert pour atterrir n’importe où

Les performances annoncées restent à lire avec prudence. Le modèle card cité dans les sources précise qu’il ne s’agit pas d’un produit scientifique génératif de qualité opérationnelle, qu’il ne dispose pas d’un cadre géodésique de référence et qu’il n’est pas validé pour des décisions comme la certification d’un site d’atterrissage ou l’autorisation d’un site sans danger. Autrement dit, il aide à orienter la recherche, pas à signer le bon de mise en service.

La collaboration s’inscrit toutefois dans une continuité de longue date entre IBM et la NASA, avec une mise à disposition ouverte qui doit bénéficier à la communauté scientifique internationale. NASA et IBM rappellent que l’objectif est de permettre à des chercheurs, quelle que soit leur nationalité, d’utiliser le modèle et de l’adapter à de nouvelles questions. Dans le contexte des ambitions lunaires de l’Artemis program, dont l’objectif affiché reste un retour humain sur la Lune puis une présence durable, cette ouverture pèse autant que la performance brute. Elle dit aussi quelque chose du rapport de force à venir : la prochaine course lunaire sera autant scientifique qu’industrielle.