NASA et IBM publient un modèle d'IA open-source pour la science lunaire

NASA et IBM ont mis à disposition du public un nouveau modèle d'intelligence artificielle open-source, conçu pour soutenir la recherche et l'exploration lunaires en fournissant une analyse avancée des données de surface lunaire.

Le modèle de fondation lunaire NASA-IBM, publié le 10 septembre 2026, est accessible via Hugging Face et son code complet est publié sur GitHub. Le modèle a été développé en utilisant un ensemble de données lunaires complet qui combine plus de 30 couches de données spatialement alignées provenant de neuf instruments à travers quatre missions différentes, y compris l'orbiteur de reconnaissance lunaire (LRO) de la NASA, GRAIL et SELENE/Kaguya de JAXA.

Les chercheurs peuvent utiliser ce modèle d'IA pour estimer la stabilité probable des zones de glace à la surface et sous la surface de la Lune, en se concentrant particulièrement sur les régions en ombre permanente près des pôles lunaires. Le modèle prend également en charge des tâches scientifiques telles que la détection de cratères et la cartographie des caractéristiques volcaniques connues sous le nom de taches de mare irrégulières.

L'Université Space Research Association (USRA) a contribué au projet en fournissant une expertise en science planétaire, développement d'ensembles de données et évaluation scientifique. L'USRA a soutenu l'évaluation des performances du modèle dans des domaines tels que la détection de cratères, la segmentation des taches de mare irrégulières et l'analyse de régression pour la prospectivité de la glace polaire.

Ce que montrent les chiffres

• Le modèle réduit l'erreur dans la prédiction des zones de glace lunaire jusqu'à 22 % par rapport à SwinV2-B.
• Il a été entraîné sur environ 2 millions de tuiles d'images, y compris plus de 1 million d'images haute résolution.
• Pour la cartographie des taches de mare irrégulières, le modèle surpasse SwinV2-B d'environ 3 %.

Selon NASA Science, l'ensemble de données d'entraînement pour le modèle comprend plus de 1 million d'images haute résolution (1 mètre) et près de 964 000 images multispectrales à une résolution de 100 mètres. Cet ensemble de données diversifié permet au modèle de répondre à une gamme d'objectifs scientifiques lunaires.

IBM a déclaré que le modèle atteint une précision similaire à celle de la référence SwinV2-B pour la détection de cratères à une résolution à l'échelle du mètre, tout en nécessitant seulement la moitié des données d'entraînement et en offrant une plus grande efficacité. Pour la tâche de cartographie des taches de mare irrégulières, le modèle montre une amélioration de performance d'environ 3 % par rapport à la référence.

La disponibilité open-source du modèle vise à soutenir la communauté scientifique plus large en permettant des recherches et développements supplémentaires dans la science lunaire. En rendant le code et les ensembles de données accessibles au public, NASA et IBM visent à faciliter la collaboration et la reproductibilité dans l'analyse des données lunaires.

Avec l'intégration de données provenant de plusieurs missions lunaires et instruments, le modèle de fondation lunaire NASA-IBM fournit une ressource pour les chercheurs travaillant sur la géologie lunaire, la détection de glace et des domaines connexes. Les performances du modèle à travers plusieurs benchmarks ont été évaluées avec l'apport d'experts en science planétaire.

* Cet article est basé sur des informations publiquement disponibles au moment de la rédaction.