La NASA et IBM ont publié un modèle d’intelligence artificielle gratuit et open source conçu pour aider les scientifiques à analyser la surface de la Lune, notamment à estimer où la glace d’eau pourrait rester stable près des pôles lunaires. Le modèle NASA-IBM Lunar Foundation, annoncé le 10 septembre, est disponible sur Hugging Face, avec son code complet sur GitHub. La NASA le décrit comme l’un des premiers modèles d’IA open source spécialement conçus pour la science lunaire.
L’utilisation la plus pratique du modèle est la recherche de ressources. IBM a déclaré que la glace lunaire indique la présence d’eau et d’oxygène, des ressources qu’elle a décrites comme essentielles pour une future base lunaire et pour produire du carburant pour fusée. Savoir où la glace est susceptible de persister peut aider les planificateurs à prioriser les sites d’atterrissage et les instruments avant l’arrivée des équipages.
Cette version s’ajoute également à une famille de modèles scientifiques de la NASA et d’IBM qui couvrent déjà l’observation de la Terre et la météo spatiale, des travaux qui touchent la vie quotidienne grâce à la cartographie des inondations, à la surveillance des cultures et à la prévision des éruptions solaires.
Formé sur près de deux décennies de données de Lunar Orbiter
Selon la NASA, le modèle a été formé principalement sur les données du Lunar Reconnaissance Orbiter, qui a cartographié la majeure partie de la Lune en détail sur 17 ans et dont le volume de données est plus grand que celui de toutes les autres missions planétaires de la NASA réunies. La formation a utilisé environ 2 millions de tuiles d’images, dont plus d’un million d’images de caméra à une résolution de 1 mètre et près de 964 000 images multispectrales à une résolution de 100 mètres.
L’équipe s’est également appuyée sur les images et les données de terrain des missions GRAIL et Lunar Prospector de la NASA et de SELENE de la JAXA, également appelée Kaguya. IBM a déclaré que les chercheurs ont construit un ensemble de données unifié et prêt pour l’apprentissage automatique de plus de 30 couches spatialement alignées à partir de neuf instruments répartis sur quatre missions, que la société a décrit comme le premier ensemble de données lunaires open source de ce type.
a déclaré Kevin Murphy, responsable des données scientifiques de la NASA et responsable par intérim des données et de l’IA.
Les modèles de base sont pré-entraînés sur de grandes quantités de données non étiquetées, afin que les chercheurs puissent les adapter à de nouvelles tâches avec des ensembles de données étiquetées relativement petits. Cela permet de gagner du temps par rapport à la création d’un nouvel algorithme pour chaque question scientifique.
Glace polaire, jeunes éléments volcaniques et cratères frais
Selon la NASA, les régions constamment ombragées proches des pôles lunaires restent suffisamment froides pour piéger et conserver la glace pendant des milliards d’années. Le modèle peut aider à estimer où les plaques de glace sont susceptibles d’être stables à la surface et sous la surface. Les images comparatives de la NASA de quatre emplacements près de Mons Mouton, près du pôle sud, montrent que le modèle préserve de nombreux modèles à petite échelle dans une carte de prospectivité des glaces de référence.
Le modèle peut également accélérer l’identification de zones irrégulières, de caractéristiques volcaniques inhabituelles qui semblent relativement jeunes et remettre en question les délais établis pour le refroidissement de la Lune. Il peut cartographier les cratères, que les scientifiques mesurent et comptent pour dater les surfaces lunaires et que la NASA utilise pour éviter les dangers lors de la sélection des sites d’atterrissage.
Lors d’un test, le modèle a mis en évidence un cratère nouvellement formé près du cratère Einstein après l’impact du corps d’une fusée SpaceX, en utilisant une image post-impact qui a été exclue du pré-entraînement. La NASA a déclaré que cette approche pourrait aider les scientifiques à détecter les impacts naturels et les changements de surface, bien que les conditions d’éclairage variables entre les orbites puissent affecter la visibilité des petits cratères.
a déclaré Juan Bernabe-Moreno, directeur d’IBM Research Europe pour le Royaume-Uni et l’Irlande.
Vérification des preuves sur les allégations de performance
Les chiffres de performances proviennent d’un rapport technique de l’équipe de développement publié avec le modèle. IBM a déclaré que le modèle réduisait jusqu’à 22 % les erreurs d’identification des zones à fort potentiel de glace lunaire par rapport à un modèle SwinV2-B, et surpassait ce modèle de près de 19 % lors de la cartographie des cratères à une résolution d’environ 100 mètres tout en utilisant la moitié des données d’entraînement. La NASA a déclaré que le modèle correspondait ou dépassait plusieurs modèles de base solides dans toutes les tâches évaluées, avec un net avantage dans l’estimation de la stabilité de la glace polaire et des résultats comparables sur la cartographie des cratères et la cartographie des mares irrégulières.
Les lecteurs doivent peser ces résultats avec soin. Le rapport a été rédigé par des chercheurs d’IBM et de la NASA, et aucune des deux organisations ne l’a décrit comme étant examiné par des pairs indépendants. Une carte de prospectivité des glaces estime les endroits où la glace pourrait être stable. Il ne s’agit pas d’une détection de glace, et la confirmation des dépôts nécessite toujours des instruments orbitaux, des atterrisseurs ou des rovers. Le modèle hérite également des limites des données sur lesquelles il a été formé.
Aucune évaluation indépendante réalisée par des scientifiques lunaires extérieurs à l’équipe de développement n’avait été publiée à ce jour. Des tests plus larges, que la version ouverte est conçue pour permettre, montreront les performances du modèle au-delà de ses références.
Outils ouverts pour les chercheurs, les étudiants et les observateurs de la Lune
Le modèle est téléchargeable gratuitement et l’équipe a également publié des ensembles de données de pré-formation et des collections de référence, le modèle étant intégré à la boîte à outils open source TerraTorch. Son utilisation nécessite toujours des compétences en apprentissage automatique et des ressources informatiques. Les utilisateurs les plus immédiats sont donc les chercheurs, les équipes universitaires et les étudiants avancés. L’équipe Impact AI de la NASA au Marshall Space Flight Center a construit le modèle avec les centres Goddard et Ames de la NASA et une équipe scientifique comprenant l’Universities Space Research Association, le SETI Institute, l’Université du Maryland, le comté de Baltimore et l’Université Howard.
La NASA répertorie les modèles Prithvi associés, qui prennent en charge les applications terrestres telles que la cartographie des inondations, la prévision du rendement des cultures et la prévision des ouragans, ainsi que le modèle Surya, qui cible la météo spatiale telle que les éruptions solaires qui peuvent perturber les réseaux électriques et les opérations des satellites. C’est dans ces outils que les modèles scientifiques d’IA atteignent le plus directement les ménages, grâce à de meilleures cartes des dangers et des avertissements météorologiques spatiaux.
Pour tous ceux qui sont curieux de connaître la Lune elle-même, International Observe the Moon Night aura lieu le 19 septembre et la NASA répertorie les moyens d’y participer. Les lecteurs n’ont pas besoin de logiciel spécial pour suivre la science, puisque la NASA et IBM ont publié des explications et des exemples de cartes avec la version.
La suite dépend de la manière dont les chercheurs utilisent le modèle. Nature World News suivra les évaluations indépendantes et toute nouvelle carte de prospectivité des glaces produite avec celles-ci.
En fin de compte : la NASA et IBM ont mis à disposition gratuitement un outil de cartographie lunaire, avec des gains rapportés par les développeurs dans l’estimation de l’endroit où la glace pourrait durer près des pôles de la Lune. Ces résultats nécessitent encore des tests extérieurs, et une carte IA des endroits où la glace pourrait persister est un guide pour l’exploration, et non une preuve de la présence de glace.
Ce que les lecteurs veulent savoir
Qu’ont publié la NASA et IBM ? Le modèle NASA-IBM Lunar Foundation, un modèle d’IA gratuit et open source pour analyser la surface de la Lune, a été annoncé le 10 septembre et est disponible sur Hugging Face et GitHub.
Quelles données l’ont entraîné ? Principalement des images du Lunar Reconnaissance Orbiter, ainsi que des données du GRAIL et du Lunar Prospector de la NASA et du SELENE de la JAXA. IBM a déclaré que l’ensemble de données comprend plus de 30 couches provenant de neuf instruments répartis sur quatre missions.
Peut-il trouver de la glace d’eau sur la Lune ? Il estime où la glace est susceptible d’être stable, en particulier dans les régions polaires constamment ombragées. Il ne détecte pas directement la glace.
Quelle est sa précision ? IBM a signalé une erreur jusqu’à 22 % inférieure à un modèle de base commun sur la prospectivité des glaces, sur la base d’un rapport technique des développeurs. Les évaluations indépendantes n’ont pas encore été publiées.
Que peut-il faire d’autre ? Cartographiez les cratères, identifiez les caractéristiques volcaniques d’apparence jeune appelées zones de mare irrégulières et aidez à repérer de nouveaux cratères d’impact entre les observations.
Qui peut l’utiliser ? Tout le monde peut le télécharger, mais son utilisation efficace nécessite une expérience en apprentissage automatique et des ressources informatiques.
Quel est le lien avec la vie sur Terre ? Il appartient à une famille de modèles de la NASA et d’IBM qui comprend Prithvi, utilisé pour la cartographie des inondations et des cultures, et Surya, destiné à prévoir les éruptions solaires pouvant affecter les réseaux électriques et les satellites.
