Depuis les premières sondes spatiales, les scientifiques n'ont cessé d'accumuler des informations sur la Lune. Chaque mission ajoute de nouvelles images, de nouvelles mesures du relief ou encore des données sur la température et l'éclairement de sa surface. Le problème est désormais que les données sont si nombreuses que les mettre en relation représente donc un véritable défi pour les scientifiques.

IBM et la Nasa ont donc développé le Nasa-IBM Lunar Foundation Model, un modèle d'intelligence artificielle spécialisé dans les observations lunaires et désormais accessible en open source.

Plutôt que de concevoir un algorithme entièrement différent pour chaque question, les chercheurs entraînent un modèle général à partir d'un vaste ensemble de données, puis l'adaptent à différentes tâches. « C'est un modèle d'IA multimodal basé sur un transformateur de vision, entraîné à partir d'observations géospatiales de toute la Lune, et non uniquement d'images », explique Paolo Fraccaro, Senior Software Developer chez IBM. L'IA peut ainsi mettre en relation plusieurs types d'informations décrivant un même territoire.

Où pourrait se cacher la glace lunaire ?

La recherche de glace est l'une des applications les plus prometteuses. Près des pôles lunaires, certaines régions ne voient pratiquement jamais la lumière du Soleil. Ces zones d'ombre permanente pourraient conserver de la glace d'eau depuis des périodes très anciennes. Cette ressource intéresse évidemment les scientifiques, mais aussi les ingénieurs qui préparent les futures missions habitées. L'eau pourrait être consommée ou transformée en oxygène, tandis que ses composants pourraient éventuellement servir à produire du carburant.

Le modèle cherche à déterminer les endroits où sa présence est la plus plausible. Pour cela, « il combine diverses informations telles que la température de surface, la profondeur à laquelle la glace pourrait rester stable, la morphologie du terrain et la localisation des zones perpétuellement à l'ombre », détaille Paolo Fraccaro. Lors des évaluations réalisées par l'équipe, cette méthode a réduit de 23 % l'erreur de prédiction par rapport à un modèle de référence. Ce résultat ne signifie donc pas que l'IA détecte la glace sous le sol, mais plutôt de mieux cibler les régions qui méritent des observations complémentaires.

Le modèle permet de cibler les endroits qui pourraient potentiellement contenir des réserves d'eau. © Nasa

Les cratères racontent l’histoire de la Lune

Autre application testée : la détection des cratères. Ces structures sont bien plus que de simples trous dans le sol lunaire. Leur taille et leur répartition permettent aux chercheurs d'étudier l'histoire des impacts et de comparer l'âge relatif des différents terrains. Ils sont aussi essentiels à la préparation des futures missions. Une carte détaillée des cratères permet de mieux connaître les reliefs et donc de réduire certains risques lors de l'atterrissage ou des déplacements à la surface.

Le modèle peut localiser et délimiter des cratères à une résolution de l'ordre du mètre. À une échelle d'environ 100 mètres, il obtient des performances supérieures de près de 19 % à celles du modèle de référence, avec deux fois moins de données d'entraînement.

Mieux connaître les volcans lunaires

La Lune n'a pas toujours été l'astre froid et apparemment immobile que nous observons aujourd'hui. Des formations volcaniques appelées Irregular Mare Patches intéressent les chercheurs car elles peuvent apporter des indices sur l'activité volcanique passée et l'évolution thermique de la Lune. Le Lunar Foundation Model est capable de segmenter ces régions, c'est-à-dire d'en déterminer plus précisément les contours. Dans les tests présentés par les chercheurs, la délimitation s'améliore de 3 % par rapport au modèle de référence.

Là encore, l'IA ne remplace pas l'interprétation scientifique. Elle automatise une partie du travail nécessaire pour constituer les cartes sur lesquelles cette interprétation pourra ensuite s'appuyer. « Il ne date pas directement les cratères, précise Paolo Fraccaro mais le modèle aide à identifier les éléments dont les chercheurs ont besoin pour ces analyses. »

Le Nasa-IBM Lunar Foundation Model permet de nouvelles explorations de la Lune. © Nasa

L’open source peut accélérer la recherche lunaire

L'un des aspects les plus intéressants du projet se trouve finalement dans son mode de diffusion. IBM et la Nasa mettent à disposition le modèle sur Hugging Face et le rapport technique associé. « En rendant le modèle et les données associées accessibles à tous, nous offrons aux scientifiques et aux équipes de mission une base solide qu'ils peuvent tester et enrichir », se réjouit Paolo Fraccaro. Cette ouverture permet surtout d'élargir considérablement le nombre de situations dans lesquelles le modèle pourra être évalué.

Cette philosophie pourrait modifier progressivement la recherche lunaire. Plutôt que de construire un nouvel algorithme pour chaque question, les chercheurs disposent d'un modèle commun qu'ils peuvent spécialiser. L'application consacrée au potentiel glaciaire, par exemple, utilise des cartes de terrain, de température et d'ombrage à une résolution de 240 mètres par pixel. À terme, d'autres applications pourraient concerner la cartographie minéralogique, l'évaluation de sites d’atterrissage, la détection de zones à risque ou encore la préparation d'infrastructures lunaires.