Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
La NASA et IBM publient un modèle ouvert destiné à accélérer l’analyse des données lunaires et à repérer des zones propices à la glace. L’outil doit aider à prioriser les observations en vue de futurs séjours habités, mais sa documentation borne ses usages : il ne valide pas un site d’alunissage ni n’évalue seul les risques.
Le modèle ne remplace ni la validation des sites ni l’exploration
Le Lunar Foundation Model est conçu pour faire ressortir des zones où les conditions semblent favorables à la conservation de la glace, sans mesurer directement la présence d’un dépôt. Sa documentation précise qu’il n’est pas destiné à valider un site d’alunissage et qu’il ne doit pas évaluer seul les risques d’une mission. L’outil peut donc indiquer où regarder, mais il faudra renvoyer des astronautes et procéder à des investigations de surface pour savoir ce qui se cache sous le régolithe. La recherche de glace est considérée comme le volet le plus stratégique, mais l’IA ne remplace pas l’exploration humaine.
Pourquoi la glace compte pour les missions habitées
L’enjeu opérationnel est de prioriser les zones d’étude afin d’identifier des emplacements susceptibles d’abriter de la glace. Une telle ressource, si elle était extraite et traitée sur place, pourrait alimenter les équipages, produire de l’oxygène et potentiellement servir à fabriquer certains propergols, ce qui réduirait une partie des ravitaillements depuis la Terre. La cartographie des zones favorables devient ainsi un élément majeur du retour sur la Lune, avec en perspective l’atterrissage et le séjour à proximité d’un gisement potentiel.
Architecture, données et démonstration de détection
Publié par la NASA et IBM, et ouvert, le Lunar Foundation Model vise à accélérer l’analyse d’images et la détection de zones susceptibles d’abriter glace, cratères récents ou formations volcaniques. Ce modèle reprend la méthode d’apprentissage de TerraMind et repose sur un encodeur visuel ViT-B couplé à un décodeur de type Transformer. Son entraînement, réalisé à partir de zéro sur près de deux millions d’échantillons, associe des images, notamment issues de la sonde Lunar Reconnaissance Orbiter, avec des résolutions pouvant atteindre un mètre par pixel, à des informations sur le relief, la température et l’éclairage ; la prise en compte de la position du Soleil permet d’analyser les ombres. Pendant l’apprentissage, certaines données ont été occultées puis reconstruites afin d’identifier les liens entre mesures, avant que la base ne soit spécialisée pour détecter cratères, structures volcaniques et zones propices à la glace, sans réentraînement complet. Lors d’une démonstration, le modèle a retrouvé le cratère formé près d’Einstein par l’impact d’un étage supérieur de Falcon 9 le 5 août 2026. Le modèle est présenté comme un outil pour aider les chercheurs à repérer plus vite les zones d’intérêt.
