La NASA et IBM viennent de publier en open source une intelligence artificielle spécialement entraînée pour étudier la Lune. Baptisé NASA-IBM Lunar Foundation Model, cet outil peut aider les chercheurs à cartographier les cratères, analyser d’anciennes formations volcaniques ou estimer les zones susceptibles d’abriter de la glace près des pôles. Particularité intéressante : le modèle est déjà disponible publiquement sur Hugging Face, avec son code source accessible sur GitHub.
Dernière mise à jour : 14 septembre 2026.
Ce qu’il faut retenir
- La NASA et IBM ont présenté leur modèle le 10 septembre 2026.
- Il est consacré à l’analyse scientifique de la surface de la Lune.
- Le modèle est disponible en open source sur Hugging Face.
- Il a été entraîné notamment sur environ 2 millions de tuiles d’images lunaires.
- Il peut être adapté pour étudier les cratères, la glace potentielle et certaines formations volcaniques.
- Ce n’est pas un chatbot : il s’agit d’un modèle spécialisé dans l’analyse de données scientifiques.
Une IA spécialement conçue pour comprendre la Lune
Les modèles d’intelligence artificielle ne servent pas uniquement à générer du texte ou des images.
La NASA et IBM viennent d’en donner un nouvel exemple avec le NASA-IBM Lunar Foundation Model, l’un des premiers modèles de fondation ouverts spécifiquement conçus pour la science lunaire.
Son objectif est d’aider les chercheurs à analyser beaucoup plus rapidement les énormes quantités de données accumulées au fil des missions d’observation de la Lune.
Le modèle a principalement été entraîné à partir des observations du Lunar Reconnaissance Orbiter (LRO), une sonde de la NASA qui photographie et étudie la Lune depuis 2009.
Les chercheurs ont utilisé environ 2 millions de tuiles d’images, dont plus d’un million d’images à haute résolution pouvant atteindre environ un mètre par pixel. Des données provenant d’autres missions de la NASA ainsi que de la sonde japonaise SELENE ont également été intégrées.
À quoi peut servir cette IA ?
L’intérêt d’un modèle de fondation est qu’il n’est pas conçu pour accomplir une seule tâche.
Une fois entraîné sur une grande quantité de données, il peut être adapté à différents travaux scientifiques avec relativement peu de nouvelles données annotées.
La NASA cite notamment trois applications principales.
- Cartographier les cratères et mesurer plus rapidement leur taille.
- Identifier certaines formations volcaniques afin de mieux comprendre l’histoire géologique de la Lune.
- Estimer les zones susceptibles de contenir de la glace, notamment à proximité des pôles lunaires.
Ce dernier point est particulièrement intéressant pour les futures missions lunaires. Certaines régions constamment plongées dans l’ombre sont suffisamment froides pour conserver de la glace pendant des périodes extrêmement longues.
Cette glace pourrait à la fois renseigner les scientifiques sur l’histoire de la Lune et représenter, à terme, une ressource intéressante pour l’exploration spatiale.
23 % d’erreur en moins sur un test lié à la glace lunaire
IBM avance également plusieurs résultats obtenus lors des évaluations du modèle.
Il faut toutefois éviter de résumer ces résultats en affirmant que « l’IA est 23 % meilleure » dans tous les domaines.
Plus précisément, IBM indique que le modèle a permis de réduire de 23 % l’erreur dans l’identification des zones à fort potentiel de glace lunaire par rapport à un modèle de référence appelé SwinV2-B.
Pour la détection de cratères à une échelle d’environ 100 mètres, IBM annonce également des performances supérieures de près de 19 % à ce même modèle de référence, tout en utilisant deux fois moins de données d’entraînement.
Sur d’autres tâches, comme la cartographie fine des cratères, les résultats sont plutôt comparables à ceux des meilleurs modèles existants.
Le véritable intérêt réside donc surtout dans sa polyvalence : un même modèle peut servir de base à plusieurs types de recherches lunaires.
Le modèle est déjà disponible sur Hugging Face
Autre particularité du projet : la NASA et IBM ne gardent pas leur modèle réservé à leurs propres équipes.
Le NASA-IBM Lunar Foundation Model est disponible publiquement sur Hugging Face sous licence Apache 2.0.
Le code permettant de travailler avec le modèle est également publié sur GitHub et il peut être utilisé avec l’outil open source TerraTorch.
Les chercheurs ont aussi publié des jeux de données et des benchmarks permettant à d’autres équipes de tester, comparer et améliorer leurs propres modèles.
Il ne faut cependant pas s’attendre à télécharger une application permettant de demander « où se trouve la glace sur la Lune ? » comme avec ChatGPT. Il s’agit d’un outil scientifique destiné principalement aux chercheurs et développeurs travaillant dans le machine learning, la télédétection ou les sciences planétaires.
La NASA utilise de plus en plus les modèles de fondation
Cette IA lunaire s’inscrit dans une collaboration plus large entre la NASA et IBM.
Les deux organisations avaient déjà développé Prithvi, une famille de modèles travaillant sur les observations de la Terre, ainsi que Surya, spécialisé dans l’étude du Soleil et de la météo spatiale.
La logique est similaire : plutôt que de créer un nouvel algorithme pour chaque problème scientifique, un grand modèle est préentraîné sur des quantités considérables de données puis adapté à différentes missions.
Pour la NASA, l’enjeu est considérable. Ses missions ont accumulé des pétaoctets de données qu’il devient difficile d’étudier uniquement avec des méthodes manuelles ou des modèles conçus séparément pour chaque tâche.
Le Lunar Foundation Model ne va donc pas « explorer la Lune à la place des scientifiques ». Il doit plutôt leur permettre de parcourir beaucoup plus rapidement des années d’observations et de repérer des zones ou phénomènes qui méritent ensuite une analyse approfondie.
