IBM et la NASA publient en open source un modèle de fondation pour la Lune

La NASA et IBM ont dévoilé le 10 septembre le modèle de fondation lunaire NASA‑IBM, un système d'IA open source entraîné à interpréter la surface de la Lune à une échelle qu'aucun instrument n'avait atteinte seul. Le modèle est disponible dès maintenant sur Hugging Face, avec son code sur GitHub sous licence Apache 2.0 et un article scientifique d'accompagnement.

À lire aussi: L'ESA construira son propre radar pour la mission EnVision vers Vénus alors que la NASA se retire · La Nasa demande à l'industrie si un vaisseau commercial pourrait remonter ou désorbiter Hubble.

C'est l'un des premiers modèles de fondation accessibles au public conçus spécifiquement pour la science lunaire, et il rejoint la famille Prithvi de modèles ouverts d'IBM et de la NASA pour l'observation de la Terre, la météo et l'héliophysique, la même approche, appliquée à un autre monde : au lieu de bâtir un algorithme sur mesure pour chaque question scientifique, les chercheurs partent d'un modèle commun et l'adaptent.

Un modèle, de nombreux instruments

La Lune est cartographiée depuis des décennies, par des missions américaines et japonaises, dans de nombreuses longueurs d'onde et à de nombreuses résolutions. Ce qui manquait, c'était un moyen de tout réunir en une seule représentation. Le modèle NASA‑IBM est le premier à intégrer des observations à travers les modalités, les angles de vue et les échelles spatiales, en consolidant des données recueillies sur des décennies.

Selon IBM et la NASA, le modèle dépasse les méthodes couramment utilisées jusqu'à 23 % pour identifier les principaux reliefs de la surface lunaire, notamment des dépôts de glace potentiels, des cratères et des formations volcaniques. Cette glace compte : localiser l'eau glacée est essentiel aux projets d'une présence humaine durable sur la Lune, à la fois comme ressource et comme objectif scientifique.

Les données d'entraînement provenaient principalement du Lunar Reconnaissance Orbiter de la NASA. Sur le plan technique, le modèle est multimodal et multi-résolution, avec un encodeur ViT‑B et un décodeur à 12 couches, pré-entraîné sur 16 GPU H100 pendant environ 1 100 heures GPU. IBM et la NASA indiquent l'avoir affiné avec des adaptateurs LoRA légers, laissant 90 % des poids du modèle de base gelés, une touche délibérément légère qui a néanmoins égalé ou dépassé les modèles d'apprentissage automatique traditionnels selon les tâches.

La publication est intégrée à la boîte à outils open source TerraTorch et s'accompagne de jeux de données de pré-entraînement et de collections de référence permettant aux chercheurs de reproduire les résultats et de s'appuyer dessus.

La science ouverte, appliquée

La collaboration a réuni l'équipe Impact AI de la NASA au Marshall Space Flight Center, des scientifiques de la division des sciences planétaires de l'agence et des chercheurs des centres Goddard et Ames, aux côtés d'IBM Research et de partenaires universitaires. Le résultat se veut moins un produit fini qu'un point de départ commun. Le problème qu'il adresse n'est pas un manque de données, mais un manque de moyens de les explorer : trop de matière, trop peu de personnes pour l'éplucher à la main. Un modèle de fondation partagé donne à chaque scientifique la même lentille puissante.

Le timing n'est pas un hasard. La NASA prépare de nouvelles missions Artemis après le survol lunaire habité de ce printemps, et présente le modèle comme une partie d'un effort plus large visant à transformer les données brutes en ressource pour la découverte lunaire. Le modèle et les jeux de données sont téléchargeables gratuitement, ce qui signifie que la recherche de l'eau de la Lune, des sites d'atterrissage sûrs et de son histoire géologique ne dépend plus de qui peut se permettre d'entraîner un modèle, mais seulement de qui a une question qui vaut la peine d'être posée.