IBM et la NASA publient en open source un modèle de fondation pour cartographier la Lune
IBM et la NASA libèrent le NASA-IBM Lunar Foundation Model, un modèle de fondation entraîné sur des décennies de données lunaires multi-instruments, avec un jeu de données unifié de 30 couches. Il réduit jusqu’à 22 % l’erreur d’identification des dépôts de glace et rejoint la famille Prithvi.
10 septembre 2026. IBM et la NASA annoncent depuis Yorktown Heights la publication en open source du NASA-IBM Lunar Foundation Model, l’un des premiers modèles de fondation accessibles au public pour l’exploration scientifique de la Lune. Petabytes. Des décennies d’observations produites par les capteurs restent dispersées et hétérogènes. 30 couches. Le modèle s’appuie sur un jeu de données unifié qui aligne spatialement plus de trente couches issues de neuf instruments et de quatre missions. Pourquoi c’est important : l’IA de fondation sort du dialogue et du code pour s’attaquer à la découverte scientifique planétaire — en open source, sur Hugging Face.
Un modèle de fondation, mais pas pour écrire du texte
Le terme « modèle de fondation » évoque en 2026 les grands modèles de langage. Le NASA-IBM Lunar Foundation Model en est l’exact opposé d’usage : il n’écrit pas, il lit la surface de la Lune. Entraîné sur un corpus de données lunaires construit par les équipes d’IBM et de la NASA, il doit faire ce que les scientifiques faisaient à la main : repérer des relations cachées entre des types et des résolutions de données qu’aucun instrument, seul, ne fournit.
Le problème de départ est concret. Pour étudier la surface lunaire, un chercheur doit soit dépouiller manuellement des cartes et des images, soit utiliser des modèles d’apprentissage à tâche unique, souvent basse résolution, coûteux en calcul et insuffisamment précis pour l’analyse géographique. Le modèle de fondation change la méthode : au lieu de reconstruire un système algorithmique pour chaque question scientifique, on part d’un modèle partagé et on l’adapte à la tâche. C’est la logique de la famille Prithvi, à laquelle le modèle lunaire vient s’ajouter après les modèles géospatiaux, météorologiques et d’héliophysique.
Le jeu de données, premier du genre
La moitié de l’annonce tient au jeu de données, pas au modèle. Il n’existait aucun ensemble public, unifié, qui ramène les données lunaires multi-modales et multi-résolutions dans un cadre commun exploitable par le machine learning. IBM et la NASA ont donc construit le premier de son genre : un jeu de données « prêt pour le ML » qui agrège plus de 30 couches spatialement alignées, issues de 9 instruments et de 4 missions — le Lunar Reconnaissance Orbiter (LRO) et GRAIL de la NASA, complétés par les données de la mission SELENE/Kaguya de l’agence spatiale japonaise JAXA. Des dizaines de milliers d’images et de cartes décrivent des propriétés géophysiques de la surface et de la subsurface.
Ce travail d’intégration est aussi précieux que le modèle lui-même : il fournit à la communauté lunaire une vue multi-modale que personne n’avait eu les moyens de reconstituer seul, et qui servira de socle à d’autres travaux.
Trois tâches, trois gains chiffrés
Le papier technique publié par IBM et la NASA documente trois usages, chacun avec un gain mesurable face à SwinV2-B, un modèle de référence entraîné sur ImageNet.
Dépôts de glace. Les régions en permanence à l’ombre sont les plus difficiles à observer, mais elles peuvent contenir de la glace sous la surface — de l’eau et de l’oxygène, ressources jugées essentielles pour une future base lunaire et pour produire du carburant de fusée vers Mars. Le modèle réduit l’erreur (RMSE) d’identification des zones à fort potentiel de glace jusqu’à 22 % par rapport à SwinV2-B.
Histoire volcanique. Les Irregular Mare Patches, formations volcaniques lunaires, renseignent sur l’évolution thermique de la Lune. Avec des étiquettes imparfaites, le modèle capture l’étendue de ces formations 3 % mieux que SwinV2-B, à précision comparable mais avec un coût de fine-tuning inférieur.
Détection de cratères. Cartographier les cratères aide la NASA à choisir des sites d’atterrissage sûrs, éviter les pentes raides et planifier les infrastructures. À l’échelle du contexte (~100 m), le modèle surpasse SwinV2-B de près de 19 % en n’utilisant que la moitié des données d’entraînement.
Le modèle est disponible sur Hugging Face, sous l’organisation nasa-ibm-ai4science, accompagné du rapport technique.
Ce que l’open source change pour la science
Le choix de l’open source n’est pas cosmétique. Kevin Murphy, directeur scientifique des données à la NASA, le formule ainsi : la NASA a passé des décennies à bâtir un dossier scientifique extraordinaire de la Lune, mais collecter des données n’est qu’une partie du travail — encore faut-il les rendre faciles à explorer et à utiliser. Juan Bernabe-Moreno, directeur d’IBM Research Europe, voit dans ce modèle une plateforme ouverte que la communauté mondiale peut étendre, en reliant des observations entre instruments pour révéler des motifs invisibles pris isolément.
Pour la recherche, l’enjeu dépasse la Lune. La famille Prithvi — géospatial, météo, héliophysique, désormais Lune — matérialise une vision : cesser de construire un algorithme neuf par question scientifique, et mutualiser un modèle partagé que l’on adapte. C’est la même économie que l’open source logiciel, transposée aux sciences de l’observation.
L’astuce technique : multimodal et multi-résolution
La performance du modèle tient à un choix d’architecture adapté au problème. Les observations lunaires ne sont ni homogènes ni à la même échelle : une carte LRO à haute résolution, une mesure gravimétrique GRAIL et une image Kaguya décrivent des réalités différentes — surface, subsurface, composition. Le NASA-IBM Lunar Foundation Model est conçu multimodal et multi-résolution : il aligne ces sources dans une représentation commune avant de raisonner dessus, ce qui explique les gains face à un modèle SwinV2-B entraîné sur des images terrestres.
Ce choix n’est pas propre à la Lune. C’est le même principe qui sous-tend le modèle Prithvi géospatial d’IBM, utilisé pour surveiller les inondations, les cultures ou la déforestation sur Terre. La Lune est un banc d’essai commode — données abondantes, terrain peu changeant — mais la méthode se transpose aux sciences de l’observation terrestre, où le même problème de données hétérogènes se pose à plus grande échelle encore.
Ce que le modèle ne remplace pas
Le NASA-IBM Lunar Foundation Model est un socle, pas un oracle. Il accélère la lecture des données, mais la validation scientifique reste humaine : les étiquettes d’entraînement sont imparfaites, les gains annoncés sont mesurés sur des tâches précises, et le modèle ne remplace pas la physique. Son rôle est de guider le regard du chercheur vers ce qui mérite d’être étudié, pas de trancher.
Pour la communauté, l’intérêt est ailleurs : en publiant le modèle avec son jeu de données et son rapport technique, IBM et la NASA donnent une base reproductible que n’importe quelle équipe peut reprendre, fine-tuner et critiquer — ce qui est exactement la condition d’une science qui progresse. Pour l’essayer, le point d’entrée est l’organisation nasa-ibm-ai4science sur Hugging Face, où le modèle, le rapport technique et le jeu de données unifié sont publiés ensemble.
Verdict
Le NASA-IBM Lunar Foundation Model n’est pas un modèle conversationnel, et c’est précisément son intérêt : il montre une voie où l’IA de fondation produit de la valeur sans être un chatbot, et où l’open source accélère la découverte scientifique plutôt que la course aux benchmarks.
Si vous travaillez sur la télédétection ou le géospatial, ce modèle et son jeu de données unifié sont un point de départ réutilisable, pas une curiosité spatiale. Si vous suivez le signal de l’IA de fondation, retenez la direction : les prochains modèles de valeur ne parleront pas — ils observeront. Si vous êtes sceptique sur l’open source scientifique, ce cas montre qu’un modèle publié avec son jeu de données et son papier technique fait avancer un champ entier plus vite qu’un modèle fermé.