NASA i IBM publikują darmową AI wykrywającą lodowy lód na Księżycu o 22% dokładniej

Znalezienie lodu wodnego na Księżycu to jedno z najtrudniejszych wyzwań planetologii. Lód nie jest rozmieszczony równomiernie, ukrywa się w trwale zacienionych kraterach na biegunach, a identyfikacja go z orbity wymaga odróżnienia słabych sygnałów spektralnych od szumu instrumentów. Model Lunar Foundation Model opracowany przez IBM i NASA został zaprojektowany właśnie z myślą o tym problemie.

Lunar Foundation Model to otwartoźródłowe AI wytrenowane na ponad dwóch milionach obrazów z pięciu księżycowych sond orbitalnych: Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya i innych. Jest dostępne na Hugging Face i GitHub za pośrednictwem geoprzestrzennego frameworka IBM TerraTorch, całkowicie bezpłatnie.

W testach porównawczych model identyfikuje złoża lodu wodnego z 22% większą dokładnością niż poprzednie metody. Ponadto wykrywa kratery księżycowe z 19% większą precyzją. Co istotne, osiąga tę wydajność przy użyciu połowy oznaczonych danych treningowych, których wymagają porównywalne modele – to ważna cecha dla badań księżycowych, gdzie oznakowane zbiory danych są kosztowne w produkcji.

Praktyczna wartość modelu leży w mapowaniu zasobów dla programu Artemis. NASA planuje ustanowienie trwałej obecności człowieka w pobliżu południowego bieguna Księżyca, gdzie lód wodny mógłby być przetwarzany na wodę pitną, tlen i paliwo rakietowe. Wiedza o tym, gdzie lód rzeczywiście się znajduje i ile go jest, bezpośrednio wpływa na wybór miejsca lądowania oraz planowanie infrastruktury.

Model został udostępniony na otwartej licencji, ponieważ zarówno IBM, jak i NASA przyczyniają się do niego w ramach badań finansowanych ze środków publicznych. Udostępnienie go za darmo oznacza, że naukowcy z uniwersytetów, agencji kosmicznych i prywatnych firm mogą go używać, oceniać i ulepszać bez barier licencyjnych. TerraTorch, framework IBM, na którym działa model, obsługuje podstawowy potok danych geoprzestrzennych.

Wartość 22% większej dokładności to wynik testów porównawczych – porównanie z innymi modelami na znormalizowanym zestawie danych testowych, a nie pomiar z rzeczywistej misji operacyjnej. To, czy Lunar Foundation Model poprawi rzeczywiste decyzje misyjne, zależy od tego, jak dobrze warunki testów porównawczych odzwierciedlają rzeczywiste dane obserwacyjne Księżyca, które różnią się w zależności od geometrii orbity, kalibracji instrumentów i kątów oświetlenia słonecznego. Nie opublikowano jeszcze niezależnej walidacji przez grupy niepowiązane z IBM ani NASA.

Lunar Foundation Model jest dostępny na Hugging Face i GitHub. IBM i NASA nie określiły harmonogramu integracji modelu z aktywnym planowaniem misji Artemis.

Tagi: sztuczna inteligencja, nasa, IBM, AI open source, eksploracja Księżyca, Lunar Foundation Model