La NASA et IBM publient une IA open source pour traquer la glace lunaire

La NASA et IBM ont publié en accès libre, le 10 septembre 2026, un modèle d'intelligence artificielle baptisé NASA-IBM Lunar Foundation Model, conçu pour repérer plus rapidement les zones lunaires les plus intéressantes à étudier, notamment celles susceptibles d'abriter de la glace d'eau sous la surface.

Un modèle entraîné sur près de deux millions d'échantillons

Le Lunar Foundation Model reprend la méthode d'apprentissage du modèle TerraMind et l'adapte aux observations lunaires. Il repose sur un encodeur visuel de type ViT-B associé à un décodeur Transformer, entraîné à partir de zéro sur plus de trente couches de données spatialement alignées, issues de neuf instruments répartis sur quatre missions : la sonde Lunar Reconnaissance Orbiter et la mission GRAIL de la NASA, ainsi que la mission japonaise SELENE/Kaguya de la JAXA. L'ensemble combine des images à une résolution allant jusqu'à un mètre par pixel avec des informations sur le relief, les températures et l'éclairage, la position du Soleil étant elle-même intégrée comme paramètre pour mieux interpréter les ombres qui modifient fortement l'apparence du terrain lunaire.

Pendant l'entraînement, une partie des données a été volontairement masquée, obligeant le modèle à la reconstruire à partir des autres observations disponibles pour apprendre les relations entre ces différentes mesures. Cette base a ensuite pu être spécialisée pour détecter des cratères, des formations volcaniques ou des zones favorables à la présence de glace, sans devoir recommencer l'intégralité de l'entraînement à chaque nouvelle tâche.

Des gains de précision mesurés, pas seulement annoncés

Selon le communiqué publié par IBM, le modèle dépasse les méthodes de référence jusqu'à 23 % pour l'identification de formations géographiques clés à la surface lunaire. Précisément, IBM avance une réduction d'erreur de 22 % pour la détection de dépôts de glace, une capture supérieure de 3 % des formations volcaniques par rapport au modèle de référence SwinV2-B, et une performance supérieure de 19 % pour la détection de cratères à résolution contextuelle, obtenue avec moitié moins de données d'entraînement que les approches comparées. Ces chiffres proviennent directement de l'évaluation menée par les équipes NASA et IBM elles-mêmes, ce qui en fait des résultats annoncés par leurs auteurs plutôt que des mesures validées par un tiers indépendant.

« Le NASA-IBM Lunar Foundation Model montre ce qui est possible quand on apporte l'IA aux pétaoctets de données scientifiques de la NASA », a déclaré Kevin Murphy, Chief Science Data Officer et directeur des données et de l'IA par intérim au siège de la NASA. Juan Bernabe-Moreno, directeur d'IBM Research pour l'Europe, le Royaume-Uni et l'Irlande, a de son côté indiqué que « le NASA-IBM Lunar Foundation Model offre aux scientifiques une base pour explorer la Lune à l'échelle ».

Une démonstration convaincante, des limites assumées

Lors d'une démonstration, le modèle a retrouvé automatiquement le cratère formé près du cratère Einstein par l'impact d'un étage supérieur de fusée Falcon 9, survenu le 5 août 2026, illustrant sa capacité à repérer des formations difficiles à distinguer dans d'immenses volumes d'images. Mais la documentation du modèle, publiée par ses concepteurs, précise elle-même ses limites : l'outil identifie des zones où les conditions semblent favorables à la conservation de glace, il ne mesure pas directement la présence d'un dépôt. Il n'est pas non plus destiné à valider un site d'alunissage ni à évaluer seul les risques d'une mission. Autrement dit, l'IA indique où chercher en priorité ; confirmer ce qui s'y trouve réellement reste le travail d'instruments de mesure directe, au sol ou en orbite rapprochée.

Pourquoi cette cartographie compte pour de futures missions

Au-delà de l'intérêt scientifique, l'enjeu est stratégique pour les futurs programmes de présence humaine prolongée sur la Lune. Si elle peut être extraite et traitée sur place, l'eau lunaire servirait à alimenter les équipages, produire de l'oxygène et potentiellement fabriquer certains propergols, réduisant d'autant les ravitaillements coûteux depuis la Terre. Le modèle est disponible en accès libre sur la plateforme Hugging Face, avec son code source complet publié sur GitHub, permettant à d'autres équipes de recherche de le réutiliser ou de l'affiner pour leurs propres besoins.

Source

IBM and NASA Release Open-Source AI Model to Support Lunar Exploration, communiqué IBM Newsroom. Couverture française : Clubic.