NASA et IBM publient une IA gratuite qui détecte la glace d’eau lunaire 22% mieux

Trouver de la glace d’eau sur la Lune est l’un des problèmes les plus ardus de la science planétaire. La glace n’est pas répartie uniformément, elle se cache dans des cratères en permanence ombragés aux pôles, et l’identifier depuis l’orbite exige de distinguer de faibles signaux spectraux du bruit instrumental. Le Lunar Foundation Model d’IBM et de la NASA a été conçu précisément pour ce problème.

Le Lunar Foundation Model est une IA open source entraînée sur plus de deux millions d’images provenant de cinq engins orbitant la Lune : le Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya et d’autres. Il est disponible sur Hugging Face et GitHub via le cadre géospatial TerraTorch d’IBM, gratuitement.

Lors de tests de référence, le modèle identifie les dépôts de glace d’eau avec 22 % de précision en plus par rapport aux méthodes antérieures. Il détecte également les cratères lunaires avec 19 % de précision supplémentaire. Il atteint cette performance en utilisant la moitié des données d’entraînement étiquetées exigées par des modèles comparables — une caractéristique importante pour la science lunaire, où les jeux de données étiquetés sont coûteux à produire.

La valeur pratique réside dans la cartographie des ressources pour le programme Artemis. La NASA prévoit d’établir une présence humaine durable près du pôle sud lunaire, où la glace d’eau pourrait être convertie en eau potable, en oxygène et en propergol pour fusées. Savoir où se trouve réellement la glace, et en quelle quantité, influence directement le choix des sites d’atterrissage et la planification des infrastructures.

Le modèle est publié sous une licence ouverte car IBM et la NASA y contribuent à partir de recherches financées par des fonds publics. Le rendre librement accessible signifie que les scientifiques des universités, des agences spatiales et des entreprises privées peuvent l’utiliser, l’évaluer et l’améliorer sans friction de licence. TerraTorch, le cadre IBM sur lequel il fonctionne, gère le pipeline de données géospatiales sous-jacent.

Le chiffre d’amélioration de 22 % est un résultat de référence — une comparaison avec d’autres modèles sur un jeu de données de test standardisé, et non une mesure issue d’une mission opérationnelle en direct. Que le Lunar Foundation Model améliore ou non la prise de décision réelle des missions dépend de la mesure dans laquelle les conditions de référence reflètent les données d’observation lunaire réelles, qui varient selon la géométrie orbitale, l’étalonnage des instruments et les angles d’éclairage solaire. Une validation indépendante par des groupes non affiliés à IBM ou à la NASA n’a pas encore été publiée.

Le Lunar Foundation Model est disponible sur Hugging Face et GitHub. IBM et la NASA n’ont pas fixé de calendrier pour intégrer le modèle dans la planification active des missions Artemis.

Étiquettes: intelligence artificielle, nasa, IBM, exploration lunaire, Lunar Foundation Model