La NASA et IBM ont développé un modèle d’IA open-source dédié à la cartographie lunaire. Cet outil facilite l’analyse de la surface et l’identification de zones clefs, comme les dépôts de glace, marquant une avancée majeure pour les futures missions.
La NASA et IBM ont uni leurs forces pour concevoir un modèle d’intelligence artificielle open-source consacré à l’exploration lunaire. Cet outil novateur simplifiera le travail des chercheurs en analysant la surface de notre satellite.
Un modèle pour l’exploration lunaire
Après le succès de la mission Artemis II, la NASA s’est associée à IBM pour créer le modèle NASA-IBM Lunar Foundation Model.
Ce système, désormais accessible sur la plateforme Hugging Face, excelle notamment dans la détection précise des zones susceptibles de contenir de la glace en surface.
Les scientifiques ont évalué son efficacité en confrontant ses prévisions avec des cartes thermiques et géologiques déjà approuvées par leurs pairs.
Le modèle a également été comparé au SwinV2-B, un système de vision par ordinateur de Microsoft. Les résultats ont montré une réduction significative des erreurs, atteignant 23%.
Surmonter les difficultés des cratères et des ombres
La reconnaissance des cratères constitue un autre atout majeur de ce modèle, surpassant le système de Microsoft de 19% avec seulement la moitié des données d’entraînement. Son utilité opérationnelle a été démontrée après la collision d’une fusée Falcon 9 de SpaceX avec la Lune, où l’algorithme a immédiatement identifié le nouveau cratère d’impact, même en superposition avec un cratère préexistant.
L’entraînement de cette IA a dû contourner les défis posés par les éclairages lunaires. Contrairement à la Terre, où l’atmosphère diffuse la lumière, les ombres sur la Lune sont profondes et nettes. Cette absence de diffusion fait qu’un cratère peut présenter une apparence totalement différente selon la position du Soleil.
Les techniques classiques d’entraînement, qui masquent des parties d’image pour les faire reconstruire par le système, ont échoué à cause de la similarité morphologique des cratères. La solution a été de diviser la Lune en régions géographiques distinctes, assurant ainsi une indépendance totale entre les données d’entraînement et de test.
Au-delà du modèle, ce partenariat fournit un jeu de données publiques, collectées par des missions comme le Lunar Reconnaissance Orbiter de la NASA et SELENE du Japon. Cette base de données géoréférencées permettra à des chercheurs du monde entier de développer leurs propres outils.