La NASA souhaite mieux comprendre la Lune avant d’y retourner. Il a créé une IA avec IBM pour trouver de la glace et de nouveaux cratères

Depuis 17 ans, le Lunar Reconnaissance Orbiter a photographié et mesuré la Lune pour constituer l’une des archives les plus détaillées qui existent à sa surface. La NASA assure que la mission a généré un volume de données supérieur à celui de toutes ses autres missions planétaires réunies, avec une couverture qui lui permet d’observer une grande partie du terrain lunaire à haute résolution. Le problème n’est plus seulement d’obtenir des informations, mais de les traiter suffisamment rapidement pour en extraire des modèles utiles. Et cette tâche prend de l’ampleur à mesure que l’agence prépare le retour des astronautes sur la surface lunaire.

Pour tirer le meilleur parti de ce matériel, la NASA et IBM, en collaboration avec plusieurs institutions académiques, ont développé le NASA-IBM Lunar Foundation Model, un modèle d’intelligence artificielle spécialisé dans la science lunaire et formé principalement avec les observations du Lunar Reconnaissance Orbiter. L’outil a été publié en open source et peut être adapté à des tâches spécifiques, de la cartographie des cratères à l’étude des régions polaires ou de certaines structures volcaniques. L’idée n’est pas de remplacer l’analyse scientifique, mais d’accélérer une partie du travail qui, avec les modèles traditionnels, nécessite de développer et de former des systèmes spécialisés pour chaque tâche.

Une IA entraînée avec la Lune

La clé est la façon dont il a été formé. Un modèle fondamental apprend d’abord des modèles généraux à partir de grandes quantités de données sans nécessiter que chaque image soit étiquetée pour une tâche spécifique. Dans ce cas, le système a traité près de deux millions de tuiles provenant principalement de LRO : plus d’un million d’images haute résolution, environ un mètre par pixel, et près de 964 000 observations multispectrales, environ 100 mètres par pixel. La formation a également intégré des informations provenant d’autres missions lunaires, notamment GRAIL, Lunar Prospector et Kaguya du Japon.

L’une de ses utilisations les plus intéressantes se situe aux pôles lunaires, où certaines zones restent toujours dans l’ombre et peuvent préserver la glace pendant des milliards d’années. Bien entendu, le système ne détecte pas directement l’eau glacée. Il s’agit d’estimer ce qu’on appelle la prospectivité de la glace, c’est-à-dire d’indiquer quels endroits ont les conditions les plus favorables pour qu’elle existe et reste stable, tant en surface qu’en dessous.

Savoir où chercher cette glace est important pour deux raisons. D’un point de vue scientifique, son étude peut fournir des indices sur l’histoire de la Lune et sur la manière dont certaines substances volatiles y sont arrivées et y ont été préservées. En outre, pour les expéditions futures, l’eau pourrait devenir une ressource locale : servant à la consommation et, si elle est traitée, fournissant de l’hydrogène et de l’oxygène avec des utilisations possibles pour le maintien de la vie ou comme propulseurs. Cet intérêt prend tout son sens alors que la NASA prépare de nouvelles missions humaines dans l’environnement lunaire, même si le modèle n’a pas été présenté comme un outil créé spécifiquement pour Artemis.

Images | POT

Les cratères offrent une autre application particulièrement utile car chacun est la trace d’un impact, et les compter et les mesurer permet de reconstituer l’âge relatif des différentes zones de la surface et une partie de l’histoire du système solaire. La NASA a testé le modèle avec des images prises avant et après l’impact d’un corps de fusée SpaceX près du cratère Einstein et a réussi à mettre en évidence le nouveau cratère ainsi que d’autres existants. L’image post-impact ne faisant pas partie de la pré-formation, l’expérience montre donc comment le système peut s’ajuster par la suite pour reconnaître les changements qu’il n’avait pas constatés initialement.

L’outil peut également aider à localiser ce que l’on appelle de petites structures volcaniques dont l’apparence est anormalement jeune pour ce que l’on attendait de la Lune. Certaines semblent s’être formées longtemps après la période majeure d’activité volcanique du satellite, ce qui a amené les scientifiques à déterminer à quel moment ce processus s’est réellement terminé. Les identifier et les cartographier plus rapidement permet d’augmenter le nombre de régions étudiées et de mieux comparer leurs caractéristiques, une pièce de plus pour reconstruire comment l’intérieur lunaire s’est refroidi et a évolué.

Les résultats ne sont pas les mêmes dans toutes les tâches. La NASA souligne que le modèle égalait ou surpassait plusieurs systèmes de référence, son avantage étant le plus évident dans l’estimation de la prospectivité des glaces, tandis que dans les cratères et les structures volcaniques, les différences étaient plus étroites. Il n’est pas non plus validé pour certifier les zones d’alunissage ou pour éliminer les risques opérationnels. Sa valeur réside ailleurs : fournir aux scientifiques une base de données ouverte et réutilisable pour analyser plus rapidement des archives lunaires en constante évolution et poser de meilleures questions sur la surface.

Image de couverture | NASA (1, 2) + Nano Banane

À Simseo | Rassvet allait être la réponse russe à Starlink. Ses 32 premiers satellites racontent une autre histoire