Récemment, la NASA et la firme IBM ont lancé un nouveau modèle d’intelligence artificielle. Ce dernier a été pensé pour centraliser et analyser les décennies de données d’observation accumulées sur la Lune. Comment fonctionne ce modèle d’IA ? Qu’a t-il déjà permis de découvrir ?

Repérer des corrélations invisibles pour l’œil humain

Ces dernières années, l’Agence Spatiale étasunienne (NASA) et la firme IBM ont développé la famille de modèles d’IA Prithvi. Il s’agit ici principalement de Prithvi-EO, pour la cartographie terrestre et Prithvi-Wx, pour la météo et le climat. Comme le révèle un communiqué officiel du 10 septembre 2026, un nouveau modèle de la famille Prithvi vient de voir le jour : le Lunar Foundation Model. Ce modèle est d’ailleurs disponible en open source sur les plateformes Hugging Face et GitHub (code). Ainsi, n’importe quel chercheur peut facilement l’obtenir et l’adapter à ses propres besoins, sans ajout massif de données supplémentaires.

Contrairement aux IA classique dont l’entrainement cible une seule tâche spécifique, le Lunar Foundation Model est comme son nom l’indique, un modèle de fondation. Ce dernier apprend d’abord les structures globales et les motifs de la Lune à partir d’une quantité massive de données brutes non étiquetées. L’objectif ? Constituer un genre de « socle » de connaissances à réutiliser ultérieurement. Sur le plan technique, le modèle repose sur un encodeur visuel de type Vision Transformer (ViT-B) associé à un décodeur.

Selon la NASA, le Lunar Foundation Model a réussi à fusionner et aligner géographiquement plus d’une trentaine de couches de données hétérogènes. Or, ces données proviennent de neuf instruments différents ayant fait partie de quatre missions spatiales, dont la Lunar Reconnaissance Orbiter (LRO) de la NASA. Dans les faits, l’intelligence artificielle combine simultanément des images haute résolution, des données topographiques, des mesures thermiques et de l’ombrage. Elle est ainsi capable de repérer des corrélations invisibles pour l’œil humain ou pour des algorithmes isolés.

Des progrès déjà visibles sur le terrain

Il est important de savoir que pour l’instant, le modèle en question sert simplement d’accélérateur de recherche. Si ce dernier n’a pas encore creusé le sol pour découvrir de nouveaux gisements de minerais, il tout de même démontré des capacités de détection inédites. Par exemple, le Lunar Foundation Model a déjà fait ses preuves en cartographie dans les zones d’ombre permanente des pôles lunaires. L’IA a réduit le taux d’erreur de 22 à 23% par rapport aux meilleurs modèles existants afin d’identifier les zones les plus propices à la présence de glace d’eau – essentielle aux futures bases.

Crédit : NASA / IBM

Par ailleurs, à une échelle d’une centaine de mètres environ, le modèle surpasse de 19% les méthodes habituelles pour localiser et délimiter les cratères. De plus, ceci se fait avec deux fois moins de données d’entraînement. Il s’agit là d’un sérieux gain de temps, notamment pour la planification des zones d’atterrissage sécurisées dans le cadre du programme Artemis. Aussi, le modèle a amélioré de 3% la segmentation des structures volcaniques irrégulières. Ceci permettra aux géologues de mieux comprendre l’histoire thermique et le passé volcanique de la Lune.

Enfin, l’actualité spatiale a été récemment marquée par le crash accidentel d’un étage de Falcon 9 de SpaceX sur la Lune. Or, le Lunar Foundation Model aurait été, selon les opérateurs, capable d’identifier correctement le nouveau cratère d’impact formé en temps réel.