Le modèle lunaire de la NASA et d'IBM, entre estimations non calibrées et limites opérationnelles

Le 10 septembre 2026, la NASA et IBM Research ont annoncé la publication en open source du NASA-IBM Lunar Foundation Model, développé avec des institutions telles que l'Universities Space Research Association, le SETI Institute, l'University of Maryland Baltimore County et la Howard University. Le modèle a été entraîné sur SomBench, un jeu de données distribué sur AWS sous licence CC BY 4.0 et composé d'environ 2 millions de bundles de tuiles lunaires co-enregistrées. La base d'information intègre 17 ans de données du Lunar Reconnaissance Orbiter — dont 38 To d'images de la Wide Angle Camera (963 609 tuiles) et 1,4 To de la Narrow Angle Camera (1 000 113 tuiles) — ainsi que les relevés des missions GRAIL et Lunar Prospector et de la sonde SELENE/Kaguya de la JAXA. Les poids sont hébergés sur Hugging Face dans l'organisation nasa-ibm-ai4science, tandis que le code, fondé sur le toolkit TerraTorch, se trouve dans le dépôt GitHub nasa-impact, l'un et l'autre sous licence Apache-2.0. Commentant l'initiative, le Chief Science Data Officer de la NASA, Kevin Murphy, a déclaré : «The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data».

Le modèle adopte une architecture encodeur-décodeur ViT-B (dimension 768, 12 couches, 12 têtes), mais la documentation n'indique ni le nombre exact de paramètres ni les heures de calcul mobilisées. Dans les benchmarks publiés avec la version et analysés par Unite.AI, l'estimation de la prospectivité de la glace polaire affiche un RMSE de 0,0293 contre 0,0377 pour la baseline SwinV2-B, soit une réduction de l'erreur d'environ 22%. Sur la détection des cratères à une échelle de contexte d'environ 100 mètres, le système a dépassé la baseline de près de 19% en utilisant à peu près la moitié des étiquettes d'entraînement. La NASA a résumé les résultats avec plus de prudence, indiquant que le modèle avait «matched or exceeded» les références existantes. Le technical report est présenté comme un companion paper et aucune évaluation par les pairs n'est mentionnée ; à ce jour, aucune évaluation indépendante par des tiers n'est disponible.

Les limites d'usage déclarées par les développeurs eux-mêmes tracent pourtant une frontière nette entre l'analyse de données et l'exploration sur le terrain. La model card officielle affirme explicitement que le système «is not a scientific-grade generative product» et précise que «Generated fields are not calibrated predictions and are no substitute for instruments». Le modèle produit une carte de superposition floue pour la glace polaire, que la model card qualifie de non calibrée : ce n'est pas de la glace mesurée. Il ne dispose pas de système de référence géodésique absolu, et le jeu de données comporte une incertitude de géolocalisation de l'ordre de quelques dizaines de mètres. Au 12 septembre 2026, le dépôt GitHub de l'initiative compte 3 commits au total, tandis que la fiche Hugging Face affiche 120 téléchargements sur le dernier mois.

Transformer des pétaoctets d'archives orbitales en un modèle visuel est un exercice de synthèse utile pour orienter la recherche scientifique, à condition de ne pas confondre les corrélations statistiques avec la consistance du sol. Quand il s'agit de certifier des sites d'alunissage, même les créateurs de l'IA rappellent qu'un algorithme ne remplace pas un capteur calibré.

— Olya