Depuis les premières sondes spatiales, les scientifiques accumulent continuellement des informations sur la Lune. Chaque mission apporte de nouvelles images, de nouvelles mesures de sa topographie ainsi que des données sur la température et l’éclairage de sa surface. Le problème est désormais que l’immense volume de données rend leur interprétation particulièrement difficile pour les scientifiques.
IBM et la NASA ont donc développé le NASA-IBM Lunar Foundation Model, un modèle d’intelligence artificielle spécialisé dans l’observation lunaire et désormais disponible en open source.
Plutôt que de concevoir un algorithme complètement différent pour chaque question, les chercheurs entraînent un modèle général à partir d’un vaste ensemble de données, puis l’adaptent à différentes tâches.
« Il s’agit d’un modèle d’IA multimodal basé sur un vision transformer, entraîné à partir d’observations géospatiales de l’ensemble de la Lune, et pas seulement d’images », explique Paolo Fraccaro, développeur logiciel senior chez IBM. Cela permet à l’IA de mettre en relation plusieurs types d’informations décrivant un même territoire.
Où la glace lunaire pourrait-elle se cacher ?
La recherche de glace constitue l’une des applications les plus prometteuses. Près des pôles lunaires, certaines régions ne voient pratiquement jamais la lumière du Soleil. Ces zones plongées dans une ombre permanente pourraient avoir conservé de la glace d’eau depuis des temps très anciens.
Cette ressource intéresse non seulement les scientifiques, mais également les ingénieurs qui préparent de futures missions habitées. L’eau pourrait être consommée ou transformée en oxygène, tandis que ses composants pourraient à terme servir à produire du carburant.
Le modèle cherche à déterminer les endroits où sa présence est la plus probable. Pour cela, « il combine différentes informations, telles que la température de surface, la profondeur à laquelle la glace pourrait rester stable, la morphologie du terrain et l’emplacement des zones perpétuellement plongées dans l’ombre », explique Paolo Fraccaro.
Lors des évaluations de l’équipe, cette méthode a réduit l’erreur de prédiction de 23 % par rapport à un modèle de référence. Cela ne signifie pas que l’IA détecte directement la glace sous la surface, mais qu’elle permet de mieux cibler les régions qui méritent d’être étudiées.
Les cratères racontent l’histoire de la Lune
Une autre application actuellement testée concerne la détection des cratères. Ces structures sont bien plus que de simples trous à la surface lunaire. Leur taille et leur répartition permettent aux chercheurs d’étudier l’histoire des impacts et de comparer l’âge relatif de différents terrains.
Ils sont également essentiels à la préparation des futures missions. Une cartographie détaillée des cratères permet de mieux comprendre la topographie lunaire et donc de réduire certains risques lors des atterrissages ou des déplacements à la surface.
Le modèle peut localiser et délimiter les cratères avec une résolution de l’ordre du mètre. À une échelle d’environ 100 mètres, il obtient des performances près de 19 % supérieures à celles du modèle de référence, tout en utilisant deux fois moins de données d’entraînement.
Mieux comprendre les volcans lunaires
La Lune n’a pas toujours été le corps céleste froid et apparemment immobile que nous observons aujourd’hui. Les formations volcaniques appelées Irregular Mare Patches intéressent les chercheurs, car elles peuvent fournir des indices sur l’activité volcanique passée et l’évolution thermique de la Lune.
Le Lunar Foundation Model est capable de segmenter ces régions, c’est-à-dire d’en définir les contours avec davantage de précision. Lors des tests présentés par les chercheurs, la délimitation de ces formations s’est améliorée de 3 % par rapport au modèle de référence.
Source: Yahoo Finance – Read the original Article
À propos de l'auteur
