La NASA et IBM lancent un modèle lunaire open source

Résumé

NASA et IBM publient un modèle lunaire open source entraîné sur près de 2 millions de lots d’images, avec jusqu’à 22 % d’erreur en moins sur la glace polaire.

Les faits

NASA et IBM Research ont publié le NASA-IBM Lunar Foundation Model, présenté comme l’un des premiers modèles de fondation open source consacrés aux sciences lunaires. Il est conçu pour exploiter les données d’observation de la Lune dans des tâches comme la détection des cratères et la prédiction des dépôts de glace aux pôles. Le modèle a été entraîné à partir de zéro avec SomBench, un corpus lunaire multimodal coenregistré comprenant près de 2 millions de lots de données, répartis entre 11 modalités et deux échelles spatiales. Environ 1 million d’images haute résolution proviennent de la Narrow Angle Camera, à environ 1 mètre par pixel, tandis que près de 964 000 images multispectrales proviennent de la Wide Angle Camera, à 100 mètres par pixel. La majeure partie des données provient de 17 années d’observations du Lunar Reconnaissance Orbiter. Le corpus rassemble aussi des données de la mission GRAIL, de Lunar Prospector et de la sonde Kaguya/SELENE de la JAXA. Au total, il regroupe plus de 30 couches de données spatialement alignées, issues de neuf instruments et de quatre missions. Lors des évaluations, le modèle a réduit jusqu’à 22 % l’erreur de prédiction des dépôts de glace polaire par rapport au modèle le plus performant testé. Il a également été évalué sur la détection de cratères à des résolutions de 100 mètres et de 1 mètre. « La NASA consacre depuis des décennies des efforts considérables à la constitution d’un registre scientifique exceptionnel de la Lune, mais recueillir les données ne représente qu’une partie du travail », déclare Kevin Murphy, directeur des données scientifiques de la NASA.

Pourquoi c’est important

L’intérêt stratégique du modèle tient à son approche généraliste. Contrairement aux algorithmes conçus pour une seule tâche, un modèle de fondation est préentraîné sur de grandes quantités de données non annotées, puis adapté à des usages précis avec seulement quelques exemples annotés. Cette méthode répond à une difficulté centrale de la recherche lunaire : l’abondance des observations face à la rareté des annotations. Le modèle rapproche en outre des images détaillées et des informations à grande échelle dans un même entraînement. Il intègre explicitement la géométrie d’imagerie — notamment les angles d’éclairage, la position du Soleil et l’étendue de chaque zone — afin de tenir compte de l’influence majeure de la lumière sur l’apparence de la surface lunaire. Les chercheurs indiquent également que la technique FlexiViT permet d’adapter le modèle à des tâches utilisant différentes tailles de fenêtres d’image sans nouvel entraînement.

Questions fréquentes

Qu’est-ce que le NASA-IBM Lunar Foundation Model ?

C’est un modèle de fondation open source destiné aux sciences lunaires, entraîné sur des données multimodales issues de plusieurs missions d’observation.

Sur quelles données le modèle a-t-il été entraîné ?

Sur près de 2 millions de lots de données issus notamment de 17 années d’observations du Lunar Reconnaissance Orbiter.

Quelle amélioration a été mesurée sur la glace polaire ?

Le modèle réduit jusqu’à 22 % l’erreur de prédiction des dépôts de glace polaire par rapport au modèle le plus performant testé.

Quelles tâches le modèle peut-il traiter ?

Il a notamment été évalué pour prédire les dépôts de glace aux pôles et détecter des cratères à des résolutions de 100 mètres et de 1 mètre.

Source

Auteur

Rédaction spécialisée dans la veille et l’analyse de l’actualité de l’intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.