IBM et la NASA ont présenté en open source le Modèle de la Fondation Lunaire NASA-IBM, l'un des premiers modèles de base disponibles publiquement pour l'exploration scientifique de la Lune. Le système a été entraîné sur un ensemble étendu de données d'observation lunaire collectées par les chercheurs des deux institutions.
Sa fonction est de transformer des décennies de données complexes, provenant de multiples instruments, en informations utiles pour l'établissement d'une présence humaine permanente sur la Lune.
La surface lunaire change avec le temps. Elle a formé des cratères, distribué de la glace et enregistré une activité volcanique à différentes étapes. Pendant des décennies, des capteurs et des instruments ont observé ce processus en continu et généré des pétaoctets de données.
Jusqu'à présent, pour étudier cette surface, les scientifiques devaient examiner manuellement des cartes et des images ou recourir à des modèles d'apprentissage automatique à faible résolution conçus pour des tâches spécifiques. Cette méthode exige une grande capacité de calcul et manque souvent de la précision nécessaire pour identifier et analyser les caractéristiques géographiques de la Lune.
Qu'est-ce que le modèle de la Fondation Lunaire NASA-IBM et à quoi sert-il
Le modèle de la Fondation Lunaire NASA-IBM est un système d'intelligence artificielle en open source entraîné sur des données d'observation lunaire provenant de multiples instruments et missions. Il permet aux scientifiques d'identifier des relations cachées entre différents types et résolutions de données, accélérant ainsi l'étude de phénomènes tels que la glace, les cratères et l'activité volcanique à la surface de la Lune.
Avec ce modèle, les chercheurs peuvent analyser à grande échelle des phénomènes qui nécessitaient auparavant une révision manuelle ou des outils limités à une seule tâche. Parmi ces phénomènes figurent les dépôts potentiels de glace lunaire, l'histoire volcanique du satellite et la détection de cratères.
Kevin Murphy, directeur des données scientifiques et directeur par intérim des données et de l'intelligence artificielle au siège de la NASA à Washington, a expliqué la portée de l'outil : « La NASA a consacré des décennies à construire un registre scientifique extraordinaire de la Lune, mais collecter des données n'est que la moitié du travail. Nous devons également faciliter l'exploration et l'utilisation des données par les scientifiques ».
Murphy a ajouté : « Le modèle de la Fondation Lunaire NASA-IBM démontre ce qui est possible lorsque nous appliquons l'IA aux pétaoctets de données scientifiques de la NASA. C'est une opportunité réelle que nous voyons dans l'IA : convertir de grands volumes de données en nouvelles découvertes ».
Juan Bernabe-Moreno, directeur d'IBM Research pour l'Europe, le Royaume-Uni et l'Irlande, a situé l'apport du modèle à l'échelle du défi scientifique : « Pour percer les mystères de la Lune, il faut la capacité d'apprendre à partir d'un volume extraordinaire de données scientifiques ».
Il a soutenu que l'outil « fournit aux scientifiques une base pour explorer la Lune à grande échelle, en reliant les observations de différents instruments, révélant des motifs difficiles à détecter de manière isolée et offrant une plateforme ouverte sur laquelle la communauté scientifique mondiale peut continuer à travailler ».
Détection de glace lunaire dans les régions en ombre permanente
L'un des usages centraux du modèle concerne les régions en ombre permanente de la Lune, parmi les environnements les plus difficiles à observer du satellite. Ces zones pourraient abriter de la glace sous la surface, une ressource indiquant la présence d'eau et d'oxygène.
Ces deux éléments sont considérés comme essentiels pour soutenir une future base lunaire et pour produire du carburant de fusées lors de missions ultérieures vers Mars.
Le modèle NASA-IBM combine des observations multimodales et de multiples résolutions pour prédire dans quelles zones cette glace pourrait se concentrer. Un document technique élaboré par la NASA et IBM montre que le système a réduit l'erreur quadratique moyenne dans l'identification des zones à fort potentiel de glace lunaire de jusqu'à 22 % par rapport au modèle SwinV2-B (ImageNet).
Cartographie des cratères et étude de l'histoire volcanique lunaire
Les cratères figurent parmi les caractéristiques les plus distinctives de la Lune et fournissent des indices sur son histoire : l'âge de différents terrains, sa géologie et la composition chimique de l'intérieur lunaire primitif.
Leur cartographie est également cruciale pour permettre à la NASA de sélectionner des sites d'atterrissage sûrs, d'éviter les risques tels que les pentes abruptes ou les rochers, et de planifier l'emplacement de l'infrastructure lunaire à long terme.
Avec le nouveau modèle, les chercheurs peuvent identifier, contextualiser et classer les cratères avec une résolution de l'échelle métrique. Le document technique cité montre une précision comparable à celle de modèles de dernière génération comme SwinV2-B, avec une plus grande efficacité et des coûts de fine-tuning réduits.
À une résolution de l'échelle contextuelle, d'environ 100 mètres, le modèle surpasse SwinV2-B de près de 19 % en utilisant seulement la moitié des données d'entraînement.
Le système permet également d'étudier les Taches Irrégulières de Mare, des formations volcaniques qui aident à comprendre l'histoire volcanique et l'évolution thermique de la Lune. L'identification de ces régions changeantes est, en outre, stratégique pour les futures opérations en surface.
En utilisant des étiquettes imparfaites, le modèle capture l'étendue de ces formations volcaniques avec une précision supérieure de 3 % à celle de SwinV2-B, et atteint des performances comparables avec une plus grande efficacité et des coûts de fine-tuning réduits.
Un jeu de données lunaires unifié et en accès libre
Malgré l'énorme quantité d'informations disponibles sur la Lune, il n'existait jusqu'à présent aucun ensemble de données unifié et d'accès public intégrant les enregistrements multimodaux et de multiples résolutions dans un cadre commun adapté à l'apprentissage automatique moderne.
Des scientifiques d'IBM et de la NASA ont construit, avec le modèle, le premier ensemble de données lunaires open source de ce type. Il s'agit d'une base de données unifiée et prête pour l'apprentissage automatique qui agrège plus de 30 couches alignées spatialement, obtenues à partir de neuf instruments appartenant à quatre missions distinctes.
Cet ensemble combine des dizaines de milliers d'images et de cartes avec des propriétés géophysiques uniques de la surface lunaire, générées par l'Orbiteur de reconnaissance lunaire et la mission GRAIL de la NASA.
Ces enregistrements sont complétés par des données de la mission SELENE/Kaguya, de l'Agence japonaise d'exploration aérospatiale, offrant ainsi une vision multimodale de la surface et du sous-sol lunaires accessible à l'ensemble de la communauté scientifique.