Selon le site officiel de la NASA et les messages publiés sur les réseaux sociaux officiels d'IBM Research, ces deux institutions ont publié et mis en open source le premier modèle lunaire, dont les poids et le code sont ouverts aux chercheurs du monde entier pour téléchargement, affinage et expérimentation. Il s'agit de l'un des premiers outils d'analyse intelligente spécialement conçus pour la science lunaire et librement accessibles, visant à transformer des décennies de données d'observation lunaire dispersées en un outil d'analyse réutilisable, destiné à la cartographie des cratères, à l'identification des reliefs volcaniques et à l'évaluation du potentiel de glace d'eau dans les régions polaires.
Le « modèle NASA-IBM » reproduit les schémas de détection de la glace lunaire (du bleu au jaune) ; le modèle conserve de nombreux schémas d'exploration fins dans les données de référence. Source : NASA/IBM Research
La recherche lunaire est depuis longtemps confrontée à la contradiction entre l'abondance des données et la difficulté de leur intégration. Les données d'entraînement de ce modèle proviennent principalement du Lunar Reconnaissance Orbiter de la NASA. Le LRO est en orbite depuis environ 17 ans et couvre la majeure partie de la surface lunaire ; le volume de ses données dépasse celui de toutes les autres missions planétaires de la NASA réunies. Le modèle utilise environ 2 millions de tuiles d'images lunaires, dont plus d'un million d'images de la caméra à angle étroit à une résolution de 1 mètre et près de 964 000 images multispectrales à une résolution de 100 mètres, et intègre également des données topographiques et de télédétection des missions GRAIL, Lunar Prospector et SELENE de l'agence japonaise JAXA. Le jeu de données publié conjointement intègre 9 instruments, 4 missions et plus de 30 couches de données alignées spatialement, résolvant le problème de l'appel unifié de données de résolutions et de charges utiles différentes.
Ce modèle revêt une grande importance pour l'exploration des ressources lunaires. Les cratères en ombre permanente de la Lune ont des températures extrêmement basses, ce qui permet de conserver la glace d'eau pendant des millions d'années, alors que les moyens optiques ne permettent pas de l'observer directement. Le modèle estime, en combinant des observations multi-résolutions et multimodales, la présence et les zones de stabilité de la glace dans les régions polaires, aidant les chercheurs à réduire le périmètre de vérification sur le terrain. Or, la glace d'eau ne concerne pas seulement l'eau potable et l'oxygène respiratoire pour une base lunaire ; elle peut aussi, par électrolyse, produire de l'oxygène et de l'hydrogène, fournissant ainsi des matières premières pour les propergols des missions en espace lointain. C'est précisément le point de départ des missions d'occupation lunaire à long terme de l'humanité et des missions ultérieures vers Mars.
En parallèle, pour l'atterrissage en toute sécurité des futurs vaisseaux spatiaux et la connaissance géologique des sites d'atterrissage, le nouveau modèle peut aider à extraire et à classer rapidement les cratères, réduisant ainsi la charge de travail d'interprétation manuelle.
Ce modèle s'inscrit dans la stratégie « intelligence artificielle pour la science » du Bureau des données scientifiques principales de la NASA et a été réalisé en collaboration par plusieurs centres, universités et instituts de recherche. Pour le monde universitaire, un jeu de données lunaires unifié et reproductible est bien plus important que les indicateurs d'un algorithme isolé. Les futures missions lunaires continueront de produire de nouvelles images, et les chercheurs pourront également affiner le même modèle de base, reliant des observations multi-missions et multi-périodes en une compréhension cohérente, plutôt que de repartir de zéro à chaque fois.
La signification du « modèle NASA-IBM » réside dans le fait de transformer des données lunaires fragmentées en une plateforme intelligente partagée mondialement, de sorte que les découvertes scientifiques ne dépendent plus de la possession des données, mais de la capacité à bien utiliser le modèle. À l'avenir, les équipes de tous les pays pourront accéder à la recherche de pointe à un coût extrêmement faible, et l'interprétation manuelle se transformera ainsi en un outil réutilisable. Pour la communauté scientifique, cela accélérera considérablement la connaissance des cratères, des volcans et des ressources des régions polaires, accumulant les connaissances nécessaires aux futures bases lunaires, voire aux missions d'atterrissage sur Mars. Et ce modèle est très susceptible de devenir fréquent dans les futures recherches d'exploration de l'espace lointain, s'étendant de la Lune à Mars et même aux astéroïdes plus lointains, favorisant une nouvelle leap de la connaissance humaine de l'univers.