En bref
- L’outil améliore la détection des cratères et de la glace potentielle.
- Il réduit les erreurs de 23% et fonctionne avec moins de données.
- Des milliers d’images et de mesures lunaires sont également rendues accessibles.
La NASA et IBM viennent de mettre en ligne un modèle d’IA open source consacré à la Lune. Baptisé NASA-IBM Lunar Foundation Model, il est disponible sur Hugging Face et doit aider les chercheurs à analyser plus finement la surface lunaire, alors que la NASA prépare la suite du programme Artemis.
Un outil pensé pour lire la surface lunaire
Le système a été conçu pour remplir plusieurs tâches. La première mise en avant par la NASA et IBM, c’est la capacité à repérer des zones où de la glace pourrait se trouver à la surface de la Lune. Ce n’est pas un détail. Pour les futures missions, savoir où chercher compte énormément.
Le contexte, lui, reste très chargé côté retour lunaire. Le 6 avril, la mission Artemis II, premier vol habité vers la Lune depuis 1972, a réalisé un survol historique. À bord, Reid Wiseman, Christina Koch, Victor Glover et Jeremy Hansen ont voyagé plus loin de la Terre que n’importe quels humains auparavant.
Des résultats meilleurs que le standard du moment
Pour mesurer les performances du modèle, la NASA et IBM l’ont comparé à une carte produite avec une méthode scientifique s’appuyant sur le relief, la température et d’autres données environnementales. Elles l’ont aussi opposé à SwinV2-B, un système de vision entraîné par Microsoft souvent utilisé comme base de comparaison dans l’analyse d’images.
Résultat, le nouveau modèle a réduit les erreurs de 23% sur cette tâche.
Sur les cratères, il a aussi fait mieux que SwinV2-B, avec des performances supérieures de 19%, tout en utilisant deux fois moins de données d’entraînement. Et il a eu un test grandeur nature le 5 août, après l’impact d’une fusée SpaceX Falcon 9 sur la Lune. En analysant une image de la zone, le modèle a identifié correctement un nouveau cratère, malgré son chevauchement avec un cratère déjà présent. Juan Bernabé-Moreno a résumé ça ainsi : « Cela a fonctionné fantastiquement ».
Pourquoi entraîner une IA sur la Lune a été compliqué ?
Le plus dur, ce sont les images elles-mêmes. Sur Terre, l’atmosphère diffuse la lumière et adoucit les ombres. Sur la Lune, rien de tout ça. Les ombres sont noires, nettes, et les pixels plongés dedans ne livrent aucune information. Du coup, un même cratère peut paraître très différent d’une image à l’autre.
Le schéma classique d’entraînement a même tourné au fiasco. Juan Bernabé-Moreno l’a dit sans détour : « C’était un désastre complet ». L’équipe a fini par découper la Lune en secteurs, comme des quartiers d’orange, en séparant totalement les zones d’entraînement et celles de test pour donner plus de cohérence au modèle.
Une base de données qui pourrait compter autant que l’IA
L’autre vraie annonce, c’est la publication d’un jeu de données open source présenté comme inédit. Il rassemble des dizaines de milliers d’images et des données instrumentales issues de Lunar Reconnaissance Orbiter, GRAIL et SELENE, la mission japonaise Selenological and Engineering Explorer.
Pour IBM, l’avancée ne tient pas seulement au modèle, mais à l’organisation des données. Chaque pixel d’image a été aligné avec d’autres types de mesures, pour former un ensemble co-enregistré de plus de deux millions de points. Bref, l’IA attire l’œil, mais la matière première pourrait bien être le vrai game changer.
