IBM et la NASA publient un modèle d'IA basé sur des décennies de données lunaires
IBM lorgne sur le secteur du cloud hybride en Malaisie.
- IBM et la NASA ont publié jeudi le modèle open source NASA-IBM Lunar Foundation Model, disponible gratuitement sur Hugging Face, pour aider les scientifiques à analyser des décennies de données lunaires et à repérer la glace, les cratères et les terrains volcaniques.
- Il a surpassé une référence courante de 23 % en matière de détection de glace et de 19 % en matière de cratères en utilisant la moitié des données.
- Pour la NASA, de meilleures cartes de la glace souterraine et des sites d'atterrissage sûrs sont des conditions préalables à une présence humaine durable sur la Lune.
Les chercheurs peuvent désormais utiliser un modèle d'IA open source d'IBM et de la NASA pour analyser des décennies d'observations lunaires et y détecter la présence de glace, de cratères et de terrains volcaniques. Ce modèle, récemment mis à disposition par la NASA et IBM, vise à préparer le retour de l'homme sur la Lune. Le système est disponible en téléchargement gratuit sur Hugging Face, et son code source complet est publié sur GitHub, d'après NASA Science.
L'étude de la surface lunaire a toujours été un processus relativement long, reposant sur deux options : l'analyse manuelle de cartes et d'images, ou l'entraînement d'un modèle d'apprentissage automatique spécialisé et à faible résolution pour chaque requête. Ces deux options sont coûteuses et ne permettent souvent pas d'obtenir les détails précis dont les scientifiques ont besoin pour leurs recherches, a indiqué IBM dans son communiqué.
La mise à disposition d'un modèle de base s'avère précieuse, car les chercheurs peuvent ainsi utiliser un modèle pré-entraîné pour chaque nouvelle tâche, au lieu d'en créer un nouveau à chaque nouvelle caractéristique géologique. Le modèle lunaire est le dernier-né de la famille de modèles scientifiques ouverts Prithvi d'IBM, qui couvre déjà des applications en analyse géospatiale, météorologie et héliophysique. Juan Bernabe-Moreno, directeur d'IBM Research Europe, Royaume-Uni et Irlande, a déclaré que ce nouveau système offre aux scientifiques un moyen d'analyser les observations lunaires à grande échelle et d'dentdes tendances qui seraient difficiles à déceler lors de l'étude d'ensembles de données individuels.
« Ce modèle offre aux scientifiques une base pour explorer la Lune à grande échelle, en reliant les observations de différents instruments et en révélant des schémas difficiles à observer isolément », a déclaré Bernabe-Moreno.
Modèle de base lunaire : points de référence de performance
La NASA et IBM ont comparé le modèle à SwinV2-B, un système de vision entraîné par Microsoft et largement utilisé comme référence pour l'analyse d'images. Le nouveau modèle a réduit les erreurs de 23 % lors de la localisation de dépôts de glace et a surpassé SwinV2-B de 19 % pour la détection et la classification des cratères, malgré un entraînement sur deux fois moins de données. Le document technique d'IBM fait état d'une amélioration des performances de 3 % lors de l'identificationdentformations volcaniques appelées « mares irrégulières », tout en nécessitant moins de réglages.
Le modèle a été testé en conditions réelles le 5 août, lorsqu'IBM lui a fourni une image montrant le site d'impact laissé par une fusée Falcon 9 de SpaceX sur la Lune. Bien que le nouvel impact apparaisse presque directement au-dessus d'un cratère existant, le modèle l'a correctementdentcomme un cratère nouvellement formé.
L'objectif demeure de rendre possible une présence humaine durable sur la Lune. Cartographier les régions constamment plongées dans l'ombre près des pôles lunaires représente un défi majeur, car ces zones sont parmi les plus difficiles à observer sur la Lune et pourraient contenir des gisements de glace souterraine. IBM a indiqué que cette glace pourrait fournir de l'eau et de l'oxygène pour de futures bases lunaires, tout en constituant une matière première pour le carburant de fusée nécessaire aux missions vers Mars.
L'ensemble de données peut survivre au modèle
Ces organisations ont également publié ce qu'elles ont qualifié de premier ensemble de données unifié et exploitable pour l'apprentissage automatique concernant la Lune. Cet ensemble de données rassemble plus de 30 couches spatialement alignées, collectées par neuf instruments lors de quatre missions lunaires distinctes.
Cet ensemble de données exploite les images des missions Lunar Reconnaissance Orbiter et GRAIL de la NASA, auxquelles s'ajoutent des données de la sonde japonaise SELENE/Kaguya. Bernabe-Moreno a indiqué que ces quelque deux millions de points de données co-enregistrés pourraient constituer l'apport le plus durable, au-delà du modèle lui-même. « Ce sont les données qui sont véritablement à l'origine de l'industrie des modèles d'IA », a-t-il affirmé.
La publication de ce modèle d'IA s'appuie sur un partenariat qui remonte à plus de cinq décennies, au programme Apollo.
Les plus grands experts en cryptomonnaies lisent déjà notre newsletter. Envie d'en faire partie ? Rejoignez-les !
Opeyemi Olanrewaju
Opeyemi est spécialisé dans la création et l'optimisation de contenus de haute qualité axés sur les cryptomonnaies, les marchés financiers internationaux et l'économie. Diplômé en médecine de l'Université d'Ibadan, il a été rédacteur en chef de la publication de son université et a auparavant travaillé chez CFA. Pendant plus de six ans, il a contribué à préserver l'originalité du Cryptopolitanen tant que rédacteur en chef adjoint.
