NASA i IBM razvili AI model za istraživanje Mjeseca

NASA donosi umjetnu inteligenciju u proučavanje Mjeseca, pomažući istraživačima da transformiraju način na koji analiziraju Mjesečevu površinu. U kontinuiranoj suradnji s IBM Researchom i nekoliko akademskih institucija, NASA je pokrenula NASA-IBM Lunar Foundation Model, jedan od prvih AI modela otvorenog koda izgrađenih posebno za lunarnu znanost.

Model, obučen prvenstveno na podacima iz NASA-inog Lunar Reconnaissance Orbitera (LRO), javno je dostupan na Hugging Faceu za korištenje od strane svih, a kompletna kodna baza dostupna je na GitHubu za testiranje i eksperimentiranje.

NASA-IBM-ov Lunar Foundation Model podržava sljedeću generaciju lunarne znanosti pomažući istraživačima da brzo analiziraju ogromne količine podataka kako bi bolje razumjeli Mjesečevu površinu. Koristeći model kao alat za mapiranje, istraživači mogu brzo razviti praktične strategije za procjenu Mjesečeve neravne površine, razumijevanje njegove geološke prošlosti i planiranje budućih istraživanja Mjeseca.

Za razliku od tradicionalnih modela koji zahtijevaju izgradnju i obuku specijaliziranih algoritama od nule za određene zadatke, temeljni modeli su prethodno obučeni na ogromnim, neoznačenim skupovima podataka. Široko znanje koje stječu prethodnom obukom omogućuje im generalizaciju na više znanstvenih područja kroz brzo fino podešavanje, što temeljne modele čini svestranim i učinkovitim u ubrzavanju znanstvenih istraživanja.

Podaci koje je NASA-in LRO prikupio tijekom proteklih 17 godina bili su vrlo prikladni za obuku ovog temeljnog modela jer detaljno pokrivaju veći dio Mjesečeve površine. Podaci dobiveni iz misije LRO veći su od svih ostalih NASA-inih planetarnih misija zajedno, obuhvaćajući gotovo besprijekoran mozaik visoke rezolucije cijelog Mjeseca.

NASA-IBM-ov model obučen je na otprilike 2 milijuna slika iz ovog skupa podataka, koji obuhvaća više od milijun slika visoke rezolucije s kamere rezolucije 1 metar i gotovo 964.000 multispektralnih slika rezolucije 100 metara.

Model je također obučen na slikama Mjeseca visoke rezolucije i podacima o terenu iz više drugih misija kao što su NASA-in GRAIL (Gravity Recovery and Interior Laboratory), NASA-in Lunar Prospector i JAXA-in (Japan Aerospace Exploration Agency) Selenological and Engineering Explorer.

Budući da je temeljni model već prethodno obučen na ovom skupu podataka, planetarni znanstvenici mogu prilagoditi model mnogim različitim zadacima istraživanja Mjeseca, kao što su mapiranje kratera, uočavanje mladih vulkanskih obilježja i procjena gdje se led može nalaziti u blizini Mjesečevih polova korištenjem samo malih količina označenih podataka.

Istraživačima koji proučavaju Mjesečev polarni led, NASA-IBM model može im pomoći u procjeni gdje su ledene površine vjerojatno stabilne, na i ispod površine. Tamna područja poput Mjesečevih trajno zasjenjenih područja ostaju dovoljno hladna da zarobe i sačuvaju led do milijardi godina. Proučavanje ovih područja nudi uvid u povijest Mjeseca i pruža priliku za mapiranje potencijalno upotrebljivih resursa za buduća istraživanja svemira.

Iako se smatra da Mjesec više nije vulkanski aktivan, nekoć je prolazio kroz dinamične geološke procese. Za istraživače koji proučavaju lunarni vulkanizam, NASA-IBM-ov model ubrzava identifikaciju neobičnih vulkanskih obilježja poznatih kao nepravilne mrlje morskih valova. Budući da se ove strukture čine relativno mladima, one dovode u pitanje utvrđene vremenske okvire za hlađenje Mjeseca, a njihovo mapiranje moglo bi pomoći znanstvenicima da sastave točnije razumijevanje toplinske evolucije Mjeseca.

Model također može mapirati površinske značajke, poput kratera, učinkovitije od ručnih metoda. Svaki krater nastaje udarom, što brojanje i mjerenja kratera čini bitnima za datiranje Mjesečeve površine i rekonstrukciju povijesti Sunčevog sustava. Temeljni model pomaže ubrzati proces identificiranja i mjerenja kratera, omogućujući znanstvenicima da se usredotoče na tumačenje nalaza i određivanje njihovih implikacija za istraživanje.

Sveukupno, model je postigao ili nadmašio performanse nekoliko drugih jakih osnovnih modela u svim procijenjenim zadacima, postižući usporedive rezultate na mapiranju kratera i segmentaciji nepravilnih područja mora, a istovremeno je pokazao jasnu prednost u procjeni stabilnosti polarnog leda.

Model Lunar Foundation NASA-e i IBM-a dio je strategije Ureda glavnog službenika za znanstvene podatke agencije za umjetnu inteligenciju za znanost, veće, kontinuirane suradnje između NASA-e i IBM-a usmjerene na korištenje napredne umjetne inteligencije za istraživanje našeg planeta i Sunčevog sustava.