Une IA capable de repérer la glace lunaire là où l'œil humain ne voit que du noir. IBM et la NASA dévoilent leur modèle, avec 23% d'erreurs en moins pour traquer l'eau sur la Lune.
IBM et la NASA ont rendu public un nouveau modèle d'intelligence artificielle baptisé Nasa-IBM Lunar Foundation Model, conçu pour faire dialoguer les données dispersées collectées sur la Lune depuis les premières sondes spatiales. L'outil est accessible en open source sur la plateforme Hugging Face, accompagné d'un rapport technique.
L'ambition est de mettre en relation des masses d'images, de mesures de relief, de température et d'éclairement de la surface accumulées au fil des missions, afin de mieux connaître le sol lunaire. Le modèle est multimodal et repose sur un transformateur de vision.
« 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.
Un entraînement qui a d'abord échoué
Le modèle a été entraîné à partir de près de deux millions d'échantillons, en adaptant à la Lune la méthode d'apprentissage du modèle TerraMind. Son architecture associe un encodeur visuel de type ViT-B à un décodeur de type Transformer, entraînés à partir de zéro à partir d'images de la sonde Lunar Reconnaissance Orbiter, jusqu'à un mètre de résolution par pixel, combinées au relief, aux températures et à la position du Soleil.
Certaines données étaient masquées durant l'entraînement, et l'IA devait les reconstruire à partir des autres observations pour apprendre les relations entre ces mesures. L'exercice s'est d'abord heurté à une difficulté propre à la Lune : sans atmosphère pour diffuser la lumière, les ombres y sont noires et nettes, et un même cratère peut apparaître très différemment d'une image à l'autre.
Le schéma classique d'entraînement a échoué. « C'était un désastre complet », a reconnu Juan Bernabé-Moreno. L'équipe a fini par découper la Lune en secteurs, comparés à des quartiers d'orange, en séparant totalement les zones d'entraînement et les zones de test. « Cela a fonctionné fantastiquement », a-t-il ajouté.
L'application la plus scrutée concerne la recherche de glace d'eau près des pôles lunaires, dans des zones qui ne voient presque jamais la lumière du Soleil. Cette ressource intéresse les scientifiques mais aussi les ingénieurs des futures missions habitées : l'eau pourrait être consommée, transformée en oxygène, et certains de ses composants utilisés pour produire du carburant.
Le modèle combine température de surface, profondeur à laquelle la glace resterait stable, morphologie du terrain et localisation des zones d'ombre permanente. Résultat, selon les évaluations de l'équipe : une réduction de 23 % de l'erreur de prédiction par rapport à un modèle de référence. Cela ne signifie pas que l'IA détecte la glace sous le sol, mais qu'elle permet de mieux cibler les zones à observer.
L'outil sait aussi localiser et délimiter des cratères à l'échelle du mètre. À une résolution d'environ 100 mètres, il dépasse de 19 % les performances du modèle de référence SwinV2-B, développé par Microsoft, avec deux fois moins de données d'entraînement.
Il segmente également les Irregular Mare Patches, ces formations volcaniques qui renseignent sur l'activité passée de la Lune, avec une amélioration de 3 % par rapport à la référence. Le modèle ne date pas directement les cratères, précise Fraccaro, mais il aide à identifier les éléments dont les chercheurs ont besoin pour ces analyses.
Le modèle a été mis à l'épreuve après l'impact d'un étage supérieur de fusée Falcon 9 de SpaceX, survenu le 5 août 2026 près du cratère Einstein. Testé sur une image de la zone, il a correctement repéré le nouveau cratère malgré son chevauchement avec une formation déjà existante.
L'outil reste cantonné à un rôle d'orientation. Sa documentation précise qu'il n'est pas destiné à valider un site d'alunissage ni à évaluer seul les risques d'une mission : il indique où regarder, mais confirmer ce qui se cache sous le régolithe nécessitera l'envoi d'astronautes pour effectuer des prélèvements sur place.
IBM et la NASA ont aussi publié un jeu de données inédit, rassemblant des dizaines de milliers d'images et des mesures instrumentales issues du Lunar Reconnaissance Orbiter, de la mission GRAIL et de la sonde japonaise Selene. Chaque pixel a été aligné avec d'autres types de mesures, formant un ensemble co-enregistré de plus de deux millions de points. Selon IBM, l'avancée ne tient pas seulement au modèle, mais à l'organisation de ces données.
« 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 », fait valoir Fraccaro.