Contexte et objectifs
Le NASA-IBM Lunar Foundation Model est présenté comme le premier modèle d’intelligence artificielle capable d’intégrer des observations lunaires provenant de plusieurs capteurs et de résolutions différentes. Il regroupe les données de missions américaines et japonaises, dont le Gravity Recovery and Interior Laboratory (GRAIL) qui fournit une carte gravitationnelle à 20 km / pixel, et le Lunar Reconnaissance Orbiter (LRO) qui délivre des images à 1 m / pixel. En consolidant ces jeux de données, le modèle vise trois priorités définies par la NASA : recenser les cratères de petite taille, analyser l’histoire volcanique et identifier les dépôts de glace aux pôles.
Architecture du modèle
Pour gérer la diversité des « dialectes scientifiques », IBM a réutilisé TerraMind, son modèle d’observation terrestre développé avec l’ESA. TerraMind excelle à apprendre des corrélations cross‑modales, ce qui permet de combler les valeurs manquantes ou bruitées lorsqu’on passe d’une résolution de 20 km à 1 m. Le modèle traite les images optiques, les mesures gravimétriques et les relevés thermiques, tout en tenant compte des variations d’éclairage dues à la rotation lunaire : deux semaines de soleil suivies de deux semaines d’obscurité, avec des contrastes extrêmes et des ombres longues aux pôles.
Applications scientifiques et limites
Les températures lunaires oscillent entre 250 °F (121 °C) en plein jour et -410 °F (-246 °C) dans les cratères ombragés. Le modèle IA peut générer des cartes thermiques à résolution supérieure, réduisant le besoin de simulations coûteuses en temps et en ressources. En cartographie des cratères, il complète les plus de 2 millions de cratères de grande taille déjà catalogués en ciblant les structures de moins d’un kilomètre, cruciales pour repérer des réservoirs d’eau ou des sites d’ensoleillement continu. Pour la volcanologie, il aide à identifier les « irregular mare patches », des formations potentiellement plus jeunes que la plupart des surfaces lunaires, ce qui pourrait affiner les modèles de l’histoire du système Terre‑Lune. Toutefois, le modèle reste limité par la disponibilité des données d’entraînement : les zones polaires sont sous‑échantillonnées, et les mesures thermiques restent rares. De plus, la dépendance à des résolutions très hétérogènes impose des incertitudes lorsqu’on extrapole des détails à l’échelle du centimètre. Le code source étant ouvert, la communauté peut améliorer ces points, mais aucune garantie de performance uniforme n’est fournie dans le rapport technique.
