La NASA et IBM ont annoncé mercredi la sortie open source du NASA-IBM Lunar Foundation Model, un modèle d'IA conçu pour aider les scientifiques à extraire des informations de plusieurs décennies d'observations lunaires - l'un des premiers modèles de base accessibles au public construits pour l'exploration scientifique de la Lune. Le modèle est disponible dès maintenant, Computer Weekly signalant qu'il peut être téléchargé depuis Hugging Face.

Cette version cible un problème familier aux planétologues : trop de données, trop peu d’heures dans la journée. Depuis des décennies, des capteurs et des instruments observent continuellement la Lune, générant des pétaoctets d’informations. Pour étudier la surface, les scientifiques ont dû parcourir manuellement des cartes et des images ou s'appuyer sur des modèles d'apprentissage automatique à faible résolution et spécifiques à des tâches spécifiques - des approches décrites par IBM comme exigeantes en termes de calcul et manquant souvent de la précision nécessaire pour identifier et analyser les caractéristiques géographiques. Pour plus de contexte sur cette histoire, consultez notre plus d'articles sur l'IA.

Trouver de la glace, des cratères et d'anciens volcans

Le modèle est formé pour faire apparaître des relations cachées entre de nombreux types et résolutions différents de données lunaires, et l'annonce d'IBM présente trois applications phares.

Dépôts de glace potentiels. Les régions constamment ombragées près des pôles lunaires sont parmi les endroits les plus difficiles à observer sur la Lune, mais elles peuvent contenir de la glace sous la surface – une ressource considérée comme essentielle pour une future base lunaire et pour produire du carburant pour fusée pour les missions vers Mars. Dans un article technique rédigé par l'équipe NASA-IBM, le modèle a réduit l'erreur (RMSE) dans l'identification des zones à fort potentiel de glace lunaire de jusqu'à 22 % par rapport au modèle de vision SwinV2-B (ImageNet) largement utilisé. Détection des cratères. Les cratères révèlent des indices sur l'âge des terrains, la géologie lunaire et la composition chimique de l'intérieur de la Lune. Leur cartographie aide la NASA à sélectionner des sites d'atterrissage sûrs et à éviter les dangers tels que les pentes abruptes et les rochers. Le modèle peut identifier et classer les cratères à une résolution métrique avec une précision comparable aux modèles de pointe tout en offrant une plus grande efficacité et des coûts de réglage plus faibles, a déclaré IBM. À une résolution d'environ 100 mètres, il surclasse SwinV2-B de près de 19 % en utilisant seulement la moitié des données d'entraînement. Histoire volcanique. Le modèle suit également les zones de mare irrégulières, des caractéristiques volcaniques énigmatiques qui aident les scientifiques à comprendre l'évolution thermique de la Lune. Même lorsqu'il est alimenté avec des étiquettes imparfaites, il capture l'étendue de ces fonctionnalités 3 % mieux que la référence SwinV2-B, selon l'annonce.

Dans l'ensemble, IBM affirme que le modèle dépasse les méthodes largement utilisées de jusqu'à 23 % pour identifier les caractéristiques géographiques clés de la surface lunaire.

Le premier ensemble de données lunaires ouvert et unifié

Parallèlement au modèle, les scientifiques d'IBM et de la NASA ont construit ce que les sociétés décrivent comme le premier ensemble de données lunaires open source de ce type : une collection unifiée, prête pour l'apprentissage automatique, regroupant plus de 30 couches spatialement alignées provenant de neuf instruments répartis sur quatre missions. Il combine des dizaines de milliers d'images et de cartes capturant les propriétés géophysiques de la surface lunaire, en s'appuyant, entre autres, sur les missions Lunar Reconnaissance Orbiter (LRO) et GRAIL de la NASA. La publication commerciale Unite.ai a décrit l'ensemble de données de référence qui l'accompagne comme SomBench.

L’ensemble de données compte autant que le modèle. Jusqu'à présent, a noté IBM, aucun ensemble de données accessible au public n'intégrait les observations multimodales et multi-résolutions de la Lune dans un cadre commun adapté à l'apprentissage automatique moderne, ce qui signifie que tout groupe de recherche souhaitant appliquer l'apprentissage profond à la science lunaire devait d'abord faire face à des mois d'ingénierie des données.

Ce que disent la NASA et IBM

"La NASA a passé des décennies à constituer un dossier scientifique extraordinaire sur la Lune, mais la collecte de données ne représente qu'une partie du travail", a déclaré Kevin Murphy, responsable des données scientifiques et responsable par intérim des données et de l'IA au siège de la NASA. "Nous devons également rendre les données plus faciles à explorer et à utiliser pour les scientifiques. Le modèle NASA-IBM Lunar Foundation montre ce qui est possible lorsque nous intégrons l'IA aux pétaoctets de données scientifiques de la NASA."

"Découvrir les mystères de la Lune nécessite la capacité d'apprendre à partir d'un volume extraordinaire de données scientifiques", a déclaré Juan Bernabe-Moreno, directeur d'IBM Research Europe, Royaume-Uni et Irlande. "Le modèle NASA-IBM Lunar Foundation donne aux scientifiques une base pour explorer la Lune à grande échelle, reliant les observations de tous les instruments, révélant des modèles difficiles à observer isolément et fournissant une plate-forme ouverte sur laquelle la communauté mondiale de la recherche peut s'appuyer."

Pourquoi l'Open Source est important ici

Le cadrage open source est délibéré. En publiant publiquement les poids, la NASA et IBM invitent les laboratoires, les universités et les agences spatiales du monde entier à affiner le modèle pour répondre à leurs propres questions – de la sélection du site d'atterrissage pour les missions avec équipage aux études fondamentales sur l'évolution de la surface de la Lune. Selon IBM, les coûts de mise au point inférieurs rendent cela pratique même pour les petites équipes.

Avec de multiples programmes spatiaux visant à une présence humaine durable sur la Lune, les ressources en jeu sont importantes : la glace d’eau implique de l’oxygène pour respirer et du propulseur hydrogène-oxygène pour ravitailler les fusées en vue du voyage vers Mars. Cartographier l'endroit où se trouve cette glace et où la surface peut atterrir en toute sécurité est un travail fondamental - et c'est exactement le genre de problème de reconnaissance de formes pour lequel les modèles de fondation ont fait leurs preuves.

Cette publication signale également une tendance plus large en matière d’IA pour la science : plutôt que de chasser les chatbots, les institutions de recherche publiques pointent de plus en plus les techniques de base vers la montagne de données scientifiques non analysées que leurs instruments ont accumulées. Il s’avère que la Lune est un bon point de départ.

---

Restez à la Pointe de l'IA

Les dernières actualités, analyses et percées en IA — au même endroit.

Lire plus d'actualités IA →