NASA et IBM lancent une IA ouverte pour mieux cartographier la Lune

Les missions lunaires ont accumulé des pétaoctets d’images, de mesures thermiques, de cartes topographiques et de données radar. Leur diversité rend toutefois les comparaisons difficiles : les instruments n’observent ni les mêmes phénomènes, ni avec la même résolution.

NASA et IBM ont publié le 10 septembre 2026 un modèle d’intelligence artificielle destiné à réunir ces observations dans une représentation commune.

Le NASA-IBM Lunar Foundation Model peut être adapté pour cartographier des cratères, étudier des formations volcaniques et repérer des régions où la présence de glace paraît plus probable. Il ne mesure cependant pas directement cette glace et ne peut pas certifier la sécurité d’un site d’atterrissage.

Une IA qui ne converse pas

Le modèle n’est pas un robot conversationnel comparable à ChatGPT. Il analyse des images et des données scientifiques associées à des portions de la surface lunaire.

Son architecture de type Vision Transformer a été entraînée sur environ deux millions d’ensembles d’observations alignées géographiquement. Chaque ensemble peut réunir des images visibles ou ultraviolettes, la topographie, l’inclinaison du terrain, la température, la réflectivité radar et certains indices minéralogiques.

Selon la présentation d’IBM Research, la collection harmonise plus de 30 couches provenant de neuf instruments répartis entre quatre missions américaines et japonaises, notamment Lunar Reconnaissance Orbiter, GRAIL et SELENE/Kaguya.

Les résolutions sont très différentes. Certaines images représentent environ un mètre par pixel, tandis que d’autres couvrent approximativement 100 mètres par pixel. Le modèle apprend à travailler avec ces deux échelles sans prétendre inventer les détails absents d’un instrument.

Trouver les régions qui méritent un examen

NASA souhaite d’abord employer le modèle pour trois catégories de travaux : détecter les petits cratères non catalogués, délimiter certaines formations volcaniques et évaluer le potentiel de glace des régions polaires.

La glace lunaire pourrait éventuellement fournir de l’eau, de l’oxygène et certains éléments nécessaires à la production de carburant. Elle se trouve potentiellement dans des cratères qui ne reçoivent pratiquement jamais de lumière solaire.

Ces zones sont difficiles à étudier. Les images visibles y révèlent peu de détails, tandis que les données thermiques, radar et topographiques possèdent chacune leurs propres limites.

Le modèle peut combiner la pente, l’orientation du terrain, la température maximale et la profondeur théorique de stabilité de la glace afin de produire une carte de potentiel.

Cette carte constitue une prédiction fondée sur plusieurs observations et modèles. Elle ne prouve pas qu’une quantité exploitable de glace se trouve sous le sol. Seul un instrument sur place, un radar approprié ou un échantillonnage pourrait le confirmer.

Des gains qui varient selon la tâche

IBM affirme que le modèle a réduit de 22 % l’erreur associée à l’évaluation du potentiel de glace, comparativement à un modèle visuel SwinV2 servant de référence.

Pour la détection de cratères à une résolution d’environ 100 mètres par pixel, il aurait surpassé ce modèle de près de 19 % tout en utilisant deux fois moins de données d’entraînement.

À l’échelle d’un mètre par pixel, son résultat était toutefois essentiellement équivalent à celui de SwinV2. L’amélioration obtenue pour les formations volcaniques n’était que d’environ 3 %, avec une marge suffisamment faible pour imposer la prudence.

Les résultats détaillés sont publiés dans la fiche technique du modèle. Ils proviennent encore de l’équipe ayant conçu le système et devront être reproduits par des chercheurs indépendants.

The Next Web souligne que le jeu de données unifié pourrait devenir aussi important que le modèle lui-même, puisque les archives lunaires étaient auparavant réparties entre plusieurs formats et résolutions.

Un modèle réellement ouvert, mais exigeant

Le modèle, le code d’adaptation et les jeux de données SomBench sont publiés sur Hugging Face sous une licence Apache 2.0.

Les chercheurs peuvent l’adapter à une tâche précise par entraînement complet ou avec une méthode légère appelée LoRA. Cette dernière modifie seulement une petite partie des paramètres au lieu de réentraîner tout le système.

La création du modèle a tout de même demandé 16 accélérateurs NVIDIA H100 pendant environ 1 100 heures de calcul cumulées. Un utilisateur n’a pas besoin de répéter cet entraînement initial, mais l’adaptation demeure plus complexe que l’installation d’une application conventionnelle.

Aucun service d’inférence prêt à utiliser n’est offert directement sur la page du modèle. Il faut télécharger les fichiers, préparer les données et utiliser des outils spécialisés comme TerraTorch.

Prix et disponibilité au Canada

Le téléchargement ne comporte pas de frais de licence et aucune restriction géographique visant le Canada n’est indiquée.

L’exploitation n’est toutefois pas nécessairement gratuite. Les coûts varieront selon le stockage, le matériel, les services infonuagiques, le nombre d’essais, la quantité de données et le personnel scientifique nécessaire.

Il ne s’agit pas d’un produit destiné aux consommateurs ni d’un service canadien officiel. Une université ou une entreprise canadienne peut examiner le modèle, mais aucune intégration à une mission de l’Agence spatiale canadienne n’a été annoncée.

Limites ou points à considérer

La fiche technique précise que le modèle ne possède pas de référentiel géodésique absolu. Certaines coordonnées générées peuvent être décalées de plusieurs dizaines de degrés.

Ses sorties génératives ne sont pas des mesures calibrées. Elles ne remplacent ni les instruments, ni la photogrammétrie, ni les solutions géodésiques utilisées pour la navigation.

Le modèle n’a pas été validé pour autoriser un atterrissage, dégager une trajectoire ou prendre une autre décision opérationnelle liée à la sécurité.

Les données à très haute résolution ne couvrent pas uniformément toute la Lune. Un résultat obtenu dans une région bien observée pourrait donc ne pas se reproduire ailleurs.

Conclusion

Le modèle lunaire de NASA et IBM ne découvre pas automatiquement une réserve d’eau ni un emplacement sécuritaire pour une base.

Son utilité est plus réaliste : réunir des observations incompatibles, repérer des motifs et aider les scientifiques à déterminer quelles régions méritent une analyse plus approfondie.

Sa publication ouverte permettra maintenant à des équipes indépendantes de vérifier ses résultats, de découvrir ses faiblesses et de l’adapter à de nouvelles questions. C’est cette validation, bien plus que les pourcentages annoncés au lancement, qui déterminera sa véritable valeur scientifique.