La NASA et IBM ont présenté le Lunar Foundation Model – un modèle d'intelligence artificielle en open source pour analyser la surface lunaire. Il peut être téléchargé via Hugging Face et utilisé, notamment, pour rechercher des zones où la glace d'eau pourrait potentiellement se trouver. C'est ce qu'annonce IBM.
À première vue, cela ressemble à une simple actualité concernant un autre réseau de neurones spécialisé. Mais l'angle pratique est différent : la NASA fournit effectivement aux chercheurs externes non pas une réponse toute faite « où chercher la glace », mais un outil et des données brutes, sur lesquels on peut ne pas être d'accord. Cela diffère fondamentalement des modèles fermés, où l'utilisateur ne voit que le résultat et est forcé de le croire sur parole.
Pourquoi les anciennes méthodes de vision par ordinateur ne fonctionnent pas directement ici
Lors des tests, le modèle a montré de meilleurs résultats que SwinV2-B – un système de vision par ordinateur de Microsoft. Dans la tâche de recherche de gisements de glace potentiels, il a réduit le nombre d'erreurs de 23%, et lors de la détection et de la classification des cratères, il a surpassé SwinV2-B de 19%, en utilisant deux fois moins de données d'entraînement.
Le développement du modèle s'est avéré complexe en raison de la spécificité des images lunaires. En l'absence d'atmosphère, les ombres sur la Lune sont très nettes et l'illumination de la surface change selon la position du Soleil. De ce fait, le même cratère peut avoir une apparence très différente sur différentes images. Pour éviter les problèmes d'entraînement, les chercheurs ont divisé la surface lunaire en secteurs et ont utilisé différentes zones pour l'entraînement et les tests.
Ce n'est pas un simple détail cosmétique. Les modèles terrestres de vision par ordinateur sont entraînés sur la lumière diffusée par l'atmosphère, où les ombres sont douces et prévisibles. La Lune casse cette logique : ce qui semble être une « nouvelle texture » pour un algorithme habituel pourrait en réalité être le même cratère à une autre heure du « jour lunaire ».
Le modèle a réduit le nombre d'erreurs dans la recherche de glace de 23% par rapport à la solution Microsoft, en utilisant deux fois moins de données d'entraînement.
L'essentiel n'est pas le modèle, mais les données qu'il utilise
Avec le modèle, la NASA et IBM ont publié un ensemble de données en open source, qui peut être utilisé par d'autres chercheurs pour créer leurs propres modèles d'IA. Il combine des dizaines de milliers d'images et de données instrumentales provenant des missions NASA Lunar Reconnaissance Orbiter (LRO) et Grail, ainsi que de la mission japonaise Selene. Les données ont été synchronisées entre différents types de mesures pour correspondre aux mêmes zones de la surface lunaire.
C'est justement la synchronisation de trois missions indépendantes – américaines et japonaise – qui transforme cette publication d'une simple démo supplémentaire en outil de travail. N'importe quelle équipe planifiant un atterrissage ou un forage peut désormais vérifier la prévision du modèle sur les données primaires, au lieu de simplement accepter la conclusion « il y a probablement de la glace ici » sur parole.
La question est de savoir si les programmes lunaires privés en tireront parti : si le modèle open source commence à influencer le choix réel des sites d'atterrissage pour les futures missions d'exploitation des ressources, ce sera le premier exemple où l'IA open source détermine directement la géographie de la course spatiale pour la Lune.
- Rappelons que les astronautes d'Artemis II ont filmé la Terre sur un iPhone 17 Pro Max.
- L'avion secret américain NT-43A RAT55 suivait la mission NASA Artemis II, qui a dépassé l'orbite terrestre.
- Le 1er avril, la NASA a lancé la mission habitée Artemis II autour de la Lune. La mission spatiale Artemis II apparaîtra également en direct sur Netflix.
