La NASA et IBM viennent de publier un modèle d’intelligence artificielle conçu spécialement pour l’étude de la Lune. Baptisé NASA-IBM Lunar Foundation Model, cet outil ouvert doit aider les scientifiques à analyser plus rapidement des volumes considérables d’images et de données recueillies par les missions lunaires. Il est accessible publiquement sur Hugging Face, tandis que son code peut être consulté et testé sur GitHub.
Un modèle entraîné sur la surface lunaire
Le système a principalement appris à partir des observations du Lunar Reconnaissance Orbiter, une sonde qui cartographie la Lune depuis 2009. Son jeu d’entraînement comprend environ deux millions de tuiles d’images : plus d’un million d’images à haute résolution atteignant un mètre par pixel et près de 964 000 images multispectrales à une résolution de cent mètres.
D’autres informations issues des missions GRAIL, Lunar Prospector et SELENE de l’agence spatiale japonaise ont complété cet ensemble. L’objectif n’est pas de créer un assistant conversationnel généraliste, mais une base visuelle et géophysique que les chercheurs peuvent adapter à différentes tâches scientifiques.
Repérer les cratères, le volcanisme et la glace
Parmi les usages présentés figurent la cartographie automatique des cratères, l’identification de formations volcaniques inhabituelles et l’estimation des zones où de la glace pourrait rester stable près des pôles lunaires. Ces régions plongées durablement dans l’ombre sont particulièrement intéressantes pour comprendre l’histoire de la Lune et préparer de futures missions d’exploration.
Le comptage des cratères aide également les planétologues à dater les terrains. Automatiser leur détection ne remplace pas l’interprétation scientifique, mais réduit le temps consacré à parcourir manuellement des milliers d’images. Les chercheurs peuvent ainsi concentrer leurs efforts sur la comparaison des résultats et l’étude des phénomènes géologiques.
Un outil ouvert pour accélérer la recherche
Contrairement à un modèle entraîné séparément pour chaque problème, un modèle de fondation apprend d’abord des représentations générales. Il peut ensuite être ajusté avec une quantité plus limitée de données annotées. Cette approche rend les expérimentations plus accessibles aux laboratoires qui ne disposent pas des moyens nécessaires pour entraîner un système complet depuis zéro.
La NASA et IBM ont publié les jeux de données préparés pour l’apprentissage ainsi que des collections de référence destinées aux comparaisons. Le modèle est intégré à TerraTorch, une boîte à outils ouverte pour l’intelligence artificielle appliquée aux sciences de la Terre et de l’espace. Cette ouverture doit faciliter la reproduction des résultats, la correction des limites et le développement de nouveaux usages par la communauté internationale.
Des performances à confirmer sur le terrain
Selon les évaluations communiquées, le modèle atteint ou dépasse plusieurs méthodes de référence sur les tâches étudiées. Il obtient des résultats comparables pour la détection des cratères et la segmentation de structures volcaniques, avec un avantage plus net pour l’estimation de la stabilité de la glace polaire.
Ces résultats restent néanmoins ceux d’un outil de recherche. Les prédictions doivent être confrontées aux observations, aux connaissances géologiques et, lorsque cela sera possible, aux mesures réalisées au sol. Les variations d’éclairage, la qualité des données et les caractéristiques peu représentées pendant l’entraînement peuvent encore provoquer des erreurs.
Une nouvelle étape pour l’IA scientifique
Le projet s’inscrit dans une collaboration plus large entre la NASA et IBM. Les deux organisations ont déjà développé Prithvi pour l’observation de la Terre et Surya pour l’étude du Soleil et de la météo spatiale. Le modèle lunaire étend cette logique à une destination centrale des futurs programmes spatiaux.
Pour la NASA, l’enjeu est simple : accumuler des données ne suffit pas si elles restent trop difficiles à explorer. En transformant des archives massives en outils réutilisables, l’IA peut raccourcir le passage entre l’observation et l’hypothèse scientifique. La valeur réelle du modèle dépendra maintenant des travaux indépendants qu’il permettra de reproduire ou de découvrir.
Source principale : NASA Science, 10 septembre 2026 ↗.
Photo : NASA/GSFC/Arizona State University ↗.