NASA și IBM au lansat în regim open-source NASA-IBM Lunar Foundation Model, un model de inteligență artificială conceput pentru analiza unor volume foarte mari de date despre suprafața Lunii. Sistemul combină observații provenite din mai multe misiuni și instrumente și este destinat cercetării unor fenomene precum depozitele potențiale de gheață, craterele și formațiunile vulcanice.
Potrivit IBM, modelul a fost antrenat pe un set de date construit împreună cu NASA și poate depăși metode consacrate cu până la 23% în anumite sarcini de identificare a caracteristicilor geografice lunare. Scopul nu este doar automatizarea cartografierii, ci crearea unei baze comune pe care cercetătorii să o poată adapta la mai multe probleme științifice.
Date din nouă instrumente și patru misiuni
IBM și NASA au agregat peste 30 de straturi spațiale aliniate, provenite din nouă instrumente și patru misiuni. Setul include date de la Lunar Reconnaissance Orbiter, GRAIL și misiunea japoneză SELENE/Kaguya. În loc ca fiecare echipă să construiască de la zero un model specializat pentru o singură sarcină, cercetătorii pot porni de la același foundation model și îl pot ajusta pentru întrebarea științifică urmărită.
Una dintre aplicațiile cu miză directă pentru viitoarele misiuni este identificarea zonelor în care ar putea exista gheață. Regiunile permanent umbrite sunt dificil de observat, dar pot conține apă înghețată, o resursă importantă atât pentru susținerea unei prezențe umane pe Lună, cât și pentru producerea de oxigen sau combustibil.
În testele prezentate de IBM, modelul a redus cu până la aproximativ 22% eroarea pentru identificarea zonelor cu potențial ridicat de gheață față de un model SwinV2-B. Pentru detectarea craterelor la rezoluție contextuală, rezultatele publicate indică un avantaj de aproape 19% folosind doar jumătate din datele de antrenare.
De ce contează pentru Artemis
Cartografierea precisă a craterelor, pantelor și a regiunilor cu potențiale resurse este relevantă pentru alegerea zonelor de aterizare și pentru planificarea unei infrastructuri lunare pe termen lung. NASA urmărește prin programul Artemis revenirea oamenilor pe Lună și dezvoltarea unor capabilități care să poată fi folosite ulterior și pentru explorarea planetei Marte.
Modelul face parte din familia Prithvi de modele deschise dezvoltate în colaborarea NASA–IBM, familie care include deja aplicații pentru observații geospațiale, vreme și heliofizică.
Analiză
Noutatea importantă nu este doar folosirea AI pentru imagini lunare, lucru care există de ani buni, ci tentativa de a unifica date multimodale și cu rezoluții diferite într-o bază reutilizabilă. Dacă modelul se dovedește robust pe sarcini independente, poate reduce costul cercetării: laboratoarele nu mai au nevoie să antreneze de la zero câte un sistem pentru fiecare tip de analiză.
Rămâne însă importantă validarea rezultatelor prin metode științifice clasice. Un model capabil să scoată în evidență o regiune cu probabilitate ridicată de gheață nu demonstrează singur existența resursei; el prioritizează unde merită concentrate observațiile și, eventual, viitoarele misiuni.
Imagine: NASA / Unsplash.
Surse
