NASA et IBM réduisent de 23 % les erreurs sur la glace lunaire

NASA et IBM ont publié le 10 septembre 2026 le NASA-IBM Lunar Foundation Model, un modèle d’IA ouvert consacré à l’analyse de la Lune. Le système est téléchargeable sur Hugging Face. Les deux organisations l’ont notamment testé pour repérer des zones lunaires susceptibles de contenir de la glace. Face à SwinV2-B, un système de vision entraîné par Microsoft, le modèle a réduit les erreurs de 23 %. NASA et IBM ont aussi évalué sa capacité à identifier et classer les cratères. Dans cette tâche, il a dépassé SwinV2-B de 19 %, avec deux fois moins de données d’entraînement utilisées.

Artemis prépare la suite avec un modèle destiné aux scientifiques qui étudient la surface lunaire. Cette annonce intervient après le vol Artemis II, première mission habitée vers la Lune depuis 1972. Le 6 avril, Reid Wiseman, Christina Koch, Victor Glover et Jeremy Hansen ont effectué un survol lunaire historique. NASA prépare désormais la prochaine mission Artemis et les suivantes. Le modèle doit fournir un outil réutilisable pour plusieurs tâches d’analyse. IBM indique qu’il a aussi correctement identifié le site d’impact d’une fusée Falcon 9 de SpaceX. L’impact avait eu lieu le 5 août et formait un nouveau cratère, proche d’un cratère existant.

Le modèle analyse les cratères

Les ombres lunaires ont compliqué l’entraînement du système. Sur Terre, l’atmosphère diffuse la lumière et adoucit les contours des ombres. Sur la Lune, les ombres apparaissent très nettes et presque totalement noires. Les pixels ombragés fournissent donc peu d’informations lorsqu’ils sont photographiés. Un même cratère peut aussi présenter des formes très différentes selon le moment de la journée. IBM a d’abord utilisé une méthode courante de vision informatique, consistant à masquer une partie d’une image puis à la reconstruire. L’équipe a toutefois qualifié les premiers essais de « complete disaster », car de nombreux cratères se ressemblent depuis l’orbite.

Les chercheurs ont alors divisé la Lune en secteurs ressemblant aux quartiers d’une orange. Ils ont séparé les secteurs d’entraînement des secteurs de test. Cette organisation devait apporter davantage de cohérence à l’évaluation du modèle. Le système a ensuite été confronté à une image de l’impact de la Falcon 9. Selon Juan Bernabé-Moreno, directeur d’IBM Research Europe, Royaume-Uni et Irlande, le modèle a reconnu le nouveau cratère dès sa première tentative. Le test a confirmé son identification malgré le chevauchement avec un cratère plus ancien. NASA et IBM ont également mesuré les performances sur la glace et la classification des cratères.

Un jeu de données structure les images

Le jeu de données constitue l’autre volet de la publication. Il rassemble des dizaines de milliers d’images et de données instrumentales issues de trois missions. Il inclut le Lunar Reconnaissance Orbiter et la mission Gravity Recovery and Interior Laboratory de la NASA. Il intègre également des données de la mission japonaise Selenological and Engineering Explorer. Les informations ont été organisées sur une grille. Chaque pixel d’imagerie correspond à d’autres types de données utilisables par un modèle. Selon Bernabé-Moreno, cet alignement produit un ensemble co-enregistré de plus de deux millions de points. Les chercheurs peuvent l’utiliser pour construire leurs propres modèles.

La publication ouverte associe donc un modèle téléchargeable et des données réutilisables. NASA et IBM présentent ce jeu comme une contribution destinée à la communauté scientifique. Bernabé-Moreno estime que les modèles d’IA peuvent être remplacés par de nouvelles générations. Il considère en revanche que les données structurées jouent un rôle durable dans l’industrie des modèles. La page originale d’Engadget détaille les comparaisons avec SwinV2-B et les difficultés liées aux ombres lunaires. Le modèle et son jeu de données ouvrent ainsi une base commune pour les prochaines analyses de la surface lunaire.