Le modèle lunaire open source de la NASA et d'IBM transforme 17 ans de données orbitales en fondement pour la science lunaire
decoder ·
La NASA et IBM ont publié le NASA-IBM Lunar Foundation Model, un outil d'intelligence artificielle open source conçu pour rendre accessibles aux apprentissages automatiques des décennies de données d'observation lunaire. Entraîné à partir de zéro sur près de deux millions de groupes de tuiles couvrant 17 ans de données provenant de missions telles que LRO et GRAIL, le modèle pallie la rareté des données étiquetées en sciences lunaires en tirant parti de grands volumes d'entrées non étiquetées. Une innovation majeure réside dans l'inclusion explicite de la géométrie d'éclairage comme entrée, ce qui permet au modèle de distinguer plus efficacement les propriétés de surface des effets d'éclairage que les méthodes précédentes. Le modèle démontre des améliorations significatives dans la prédiction des dépôts de glace polaire, réduisant l'erreur de prédiction jusqu'à 22 % par rapport aux modèles de référence. Il se montre également compétitif dans la détection des cratères à différentes échelles et dans le segmentage des irrégularités mare (Irregular Mare Patches), bien qu'il ne remplace pas les instruments de mesure physique pour un positionnement géodésique précis. En attribuant des chemins de traitement distincts aux différentes couches de données et en utilisant des techniques telles que FlexiViT, le modèle s'adapte à diverses tailles de patches d'image sans nécessiter de nouvel entraînement. Cette publication marque une étape importante dans la collaboration entre la NASA et IBM dans le cadre de leur accord spatial (Space Act Agreement), faisant suite à des modèles d'observation terrestre antérieurs comme Prithvi. Le modèle, le code source et les jeux de données sont publiquement disponibles via Hugging Face, GitHub et la boîte à outils TerraTorch.
decoder