La NASA et IBM viennent de publier un modèle d’IA spécialisé dans l’analyse du sol lunaire, entraîné sur les données du Lunar Reconnaissance Orbiter. Objectif : doper la cartographie des cratères, du régolithe et des dépôts de glace, alors que la présence humaine durable sur la Lune se précise.
📌 L’essentiel en 3 points
- Un modèle open source entraîné sur 17 ans de données du LRO pour cartographier cratères, glace et régolithe.
- Une avancée pour la science lunaire, mais la précision reste tributaire de la qualité des capteurs et de la validation humaine.
- L’enjeu réel : transformer ces cartes en sites d’atterrissage sûrs pour une présence humaine durable.
Une IA nourrie à 17 ans de données orbitales
Derrière ce lancement, un constat simple montre que les scientifiques croulent sous les données lunaires. Depuis 2009, le Lunar Reconnaissance Orbiter (LRO) de la NASA a accumulé une montagne d’images, de relevés altimétriques et de mesures spectrales.
Le NASA-IBM Lunar Foundation Model, publié en open source le 10 septembre 2026, promet de faire le tri à une vitesse inédite. Entraîné principalement sur ces observations, une fois adapté avec un peu de données étiquetées, il aide à recenser les cratères, à repérer des taches irrégulières et à estimer où de la glace polaire a des chances d’être stable, en surface ou sous la surface. L’objectif est d’offrir aux chercheurs une base commune pour affiner les cartes, repérer les sites d’atterrissage et préparer les futures missions Artemis.
Le modèle a été pré-entraîné sur environ deux millions de tuiles co-enregistrées, surtout des images LRO à 1 m et 100 m, auxquelles s’ajoutent des couches altimétriques, gravimétriques, thermiques et spectroscopiques alignées, afin d’apprendre une représentation commune plutôt que d’extraire des signatures à la volée.
Pour les missions Artemis, visé vers le pôle sud, l’intérêt est d’estimer où de la glace pourrait être stable dans les régions plongées en permanence dans l’ombre, des ressources éventuellement utiles plus tard. Le modèle relie des observations multi-instruments et multi-échelles ; le recensement des cratères à l’échelle métrique peut ensuite éclairer le choix de sites, sans fournir à lui seul des cartes de risques certifiées pour un atterrisseur.
IBM et la NASA insistent sur l’aspect open source. En effet, le modèle et le jeu de données associés sont accessibles à tous, des universités aux agences spatiales concurrentes. C’est une rupture culturelle dans un secteur où la donnée lunaire reste souvent éclatée entre les instituts.
Une carte open source ne fait pas un site d’atterrissage
Mais cette promesse a un coût réel. D’abord, la qualité du modèle dépend de la couverture du LRO, dont la résolution varie fortement d’une région à l’autre. Hors des zones déjà survolées à basse altitude, l’IA peut extrapoler à tort, et sur la Lune, une erreur de cartographie se paie en crash. Ensuite, l’open source ne signifie pas gratuit car pour affiner le modèle sur ses propres données, un labo doit mobiliser des GPU coûteux et des compétences en apprentissage profond. Enfin, la course à la glace polaire et aux métaux rares crée une tension L’IA accélère la prospection, mais la validation humaine reste indispensable pour éviter des interprétations trop optimistes. Le vrai débat n’est donc pas l’outil, mais la manière dont la communauté scientifique va certifier ses prédictions avant de les envoyer guider un atterrisseur.
La donnée lunaire reste également partielle et bruitée. Le LRO ne couvre pas toute la surface avec la même précision, et certaines zones clés comme les cratères polaires sont mal éclairées, ce qui complique l’apprentissage. Le modèle est en mesure de produire des cartes séduisantes mais trompeuses, notamment sur les dépôts de glace dont la signature spectrale reste débattue. Sans validation par des mesures in situ, ces prédictions restent des hypothèses cartographiques. Les agences spatiales concurrentes, comme l’ESA ou la CNSA, pourraient s’en emparer, mais elles devront investir dans leur propre infrastructure de calcul.
Enfin, le modèle peut aussi avoir des angles morts parce qu’il est entraîné sur des données optiques et radar, là où il ne remplace ni la sismique ni les carottages. La carte n’est pas le territoire, surtout à 384 000 kilomètres.
