La NASA e IBM anunciaron el miércoles el lanzamiento de código abierto del Modelo de Fundación Lunar NASA-IBM, un modelo de inteligencia artificial diseñado para ayudar a los científicos a extraer información de décadas de observaciones lunares, uno de los primeros modelos de base disponibles públicamente construidos para la exploración científica de la Luna. El modelo ya está disponible, y Computer Weekly informa que se puede descargar desde Hugging Face.
El comunicado aborda un problema familiar para los científicos planetarios: demasiados datos, muy pocas horas en el día. Durante décadas, sensores e instrumentos han observado continuamente la Luna, generando petabytes de información. Para estudiar la superficie, los científicos han tenido que examinar mapas e imágenes a mano o confiar en modelos de aprendizaje automático de baja resolución y tareas específicas: enfoques que IBM describe como computacionalmente intensivos y a menudo carentes de la precisión necesaria para identificar y analizar características geográficas. Para más contexto sobre esta historia, consulta nuestra noticias de IA.
Encontrar hielo, cráteres y volcanes antiguos
El modelo está entrenado para sacar a la luz relaciones ocultas en muchos tipos y resoluciones diferentes de datos lunares, y el anuncio de IBM describe tres aplicaciones emblemáticas.
Posibles depósitos de hielo. Las regiones permanentemente en sombra cerca de los polos lunares se encuentran entre los lugares más difíciles de observar en la Luna, sin embargo, pueden contener hielo debajo de la superficie, un recurso considerado esencial para una futura base lunar y para producir combustible para cohetes para misiones a Marte. En un artículo técnico escrito por el equipo NASA-IBM, el modelo redujo el error (RMSE) en la identificación de áreas con alto potencial de hielo lunar en hasta un 22 por ciento en comparación con el modelo de visión ampliamente utilizado SwinV2-B (ImageNet). Detección de cráteres. Los cráteres revelan pistas sobre la edad de los terrenos, la geología lunar y la composición química del interior lunar temprano, y mapearlos ayuda a la NASA a seleccionar sitios de aterrizaje seguros y evitar peligros como pendientes pronunciadas y rocas. El modelo puede identificar y clasificar cráteres a una resolución de escala métrica con una precisión comparable a los modelos de última generación, al tiempo que ofrece mayor eficiencia y menores costos de ajuste, dijo IBM. Con una resolución de aproximadamente 100 metros, supera a SwinV2-B en casi un 19 por ciento utilizando solo la mitad de los datos de entrenamiento. Historia volcánica. El modelo también rastrea los parches irregulares de Mare, características volcánicas enigmáticas que ayudan a los científicos a comprender la evolución térmica de la Luna. Incluso cuando se alimenta con etiquetas imperfectas, captura el alcance de estas características un 3 por ciento mejor que la línea base SwinV2-B, según el anuncio.En conjunto, IBM dice que el modelo supera los métodos ampliamente utilizados en hasta un 23 por ciento en la identificación de características geográficas clave en la superficie lunar.
El primer conjunto de datos lunares abiertos y unificados
Además del modelo, los científicos de IBM y la NASA construyeron lo que las compañías describen como el primer conjunto de datos lunares de código abierto de su tipo: una colección unificada y lista para el aprendizaje automático que agrega más de 30 capas espacialmente alineadas de nueve instrumentos en cuatro misiones. Combina decenas de miles de imágenes y mapas que capturan las propiedades geofísicas de la superficie lunar, basándose en las misiones Lunar Reconnaissance Orbiter (LRO) y GRAIL de la NASA, entre otras. La publicación comercial Unite.ai ha descrito el conjunto de datos de referencia adjunto como SomBench.
El conjunto de datos importa tanto como el modelo. Hasta ahora, señaló IBM, ningún conjunto de datos disponible públicamente reunió las observaciones multimodales y de múltiples resoluciones de la Luna en un marco común adecuado para el aprendizaje automático moderno, lo que significa que cualquier grupo de investigación que quisiera aplicar el aprendizaje profundo a la ciencia lunar primero enfrentó meses de ingeniería de datos.
Lo que dicen la NASA e IBM
"La NASA ha pasado décadas construyendo un registro científico extraordinario de la Luna, pero la recopilación de datos es sólo una parte del trabajo", dijo Kevin Murphy, director de datos científicos y director interino de datos e inteligencia artificial en la sede de la NASA. "También tenemos que hacer que los datos sean más fáciles de explorar y utilizar para los científicos. El modelo NASA-IBM Lunar Foundation muestra lo que es posible cuando llevamos la IA a los petabytes de datos científicos de la NASA".
"Descubrir los misterios de la Luna requiere la capacidad de aprender de un volumen extraordinario de datos científicos", afirmó Juan Bernabe-Moreno, director de IBM Research Europa, Reino Unido e Irlanda. "El modelo NASA-IBM Lunar Foundation ofrece a los científicos una base para explorar la Luna a escala, conectando observaciones entre instrumentos, revelando patrones que son difíciles de ver de forma aislada y proporcionando una plataforma abierta sobre la que la comunidad de investigación global puede construir".
Por qué el código abierto es importante aquí
El marco de código abierto es deliberado. Al publicar públicamente los pesos, la NASA e IBM están invitando a laboratorios, universidades y agencias espaciales de todo el mundo a ajustar el modelo para sus propias preguntas, desde la selección del lugar de aterrizaje para misiones tripuladas hasta estudios fundamentales de cómo evolucionó la superficie de la Luna. Los costos de ajuste más bajos, dijo IBM, lo hacen práctico incluso para equipos pequeños.
Con múltiples programas espaciales trabajando para lograr una presencia humana sostenida en la Luna, los recursos en juego son importantes: el hielo de agua implica oxígeno para respirar y propulsor de hidrógeno y oxígeno para repostar los cohetes para el viaje a Marte. Mapear dónde se asienta ese hielo y dónde es seguro aterrizar en la superficie es un trabajo fundamental, y es exactamente el tipo de problema de reconocimiento de patrones en el que los modelos básicos han demostrado ser buenos.
El comunicado también señala una tendencia más amplia en la IA para la ciencia: en lugar de perseguir a los chatbots, las instituciones públicas de investigación apuntan cada vez más con técnicas de modelos básicos a la montaña de datos científicos no analizados que sus instrumentos han acumulado. Resulta que la Luna es un buen lugar para empezar.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
