La NASA e IBM hanno annunciato mercoledì il rilascio open source del NASA-IBM Lunar Foundation Model, un modello di intelligenza artificiale progettato per aiutare gli scienziati a estrarre informazioni da decenni di osservazioni lunari: uno dei primi modelli di fondazione disponibili al pubblico costruiti per l'esplorazione scientifica della Luna. Il modello è ora disponibile, secondo Computer Weekly può essere scaricato da Hugging Face.

Il comunicato affronta un problema familiare agli scienziati planetari: troppi dati, troppo poche ore al giorno. Per decenni, sensori e strumenti hanno osservato continuamente la Luna, generando petabyte di informazioni. Per studiare la superficie, gli scienziati hanno dovuto vagliare mappe e immagini a mano o fare affidamento su modelli di apprendimento automatico a bassa risoluzione e specifici per attività: approcci che IBM descrive come intensivi dal punto di vista computazionale e spesso privi della precisione necessaria per identificare e analizzare le caratteristiche geografiche. Per maggiori informazioni su questa storia, consulta la nostra ultimi sviluppi nell'IA.

Alla ricerca di ghiaccio, crateri e antichi vulcani

Il modello è addestrato per far emergere relazioni nascoste tra diversi tipi e risoluzioni di dati lunari e l'annuncio di IBM delinea tre applicazioni di punta.

Potenziali depositi di ghiaccio. Le regioni permanentemente in ombra vicino ai poli lunari sono tra i luoghi più difficili da osservare sulla Luna, ma potrebbero contenere ghiaccio sotto la superficie, una risorsa considerata essenziale per una futura base lunare e per la produzione di carburante per missili per le missioni su Marte. In un documento tecnico redatto dal team NASA-IBM, il modello ha ridotto l’errore (RMSE) nell’identificazione delle aree con alto potenziale per il ghiaccio lunare fino al 22% rispetto al modello di visione ampiamente utilizzato SwinV2-B (ImageNet). Rilevamento di crateri. I crateri rivelano indizi sull'età del terreno, sulla geologia lunare e sulla composizione chimica dell'interno primordiale della Luna. La loro mappatura aiuta la NASA a selezionare siti di atterraggio sicuri ed evitare pericoli come pendii ripidi e massi. Il modello è in grado di identificare e classificare i crateri con una risoluzione su scala metrologica con una precisione paragonabile ai modelli all'avanguardia, offrendo allo stesso tempo maggiore efficienza e minori costi di messa a punto, ha affermato IBM. Con una risoluzione di circa 100 metri, supera SwinV2-B di quasi il 19% utilizzando solo la metà dei dati di allenamento. Storia vulcanica. Il modello traccia anche le macchie irregolari del mare, enigmatiche caratteristiche vulcaniche che aiutano gli scienziati a comprendere l'evoluzione termica della Luna. Secondo l'annuncio, anche se alimentato con etichette imperfette, cattura l'entità di queste funzionalità in modo migliore del 3% rispetto al riferimento SwinV2-B.

Nel complesso, IBM afferma che il modello supera i metodi ampiamente utilizzati fino al 23% nell'identificazione delle principali caratteristiche geografiche sulla superficie lunare.

Il primo set di dati lunari aperti e unificati

Accanto al modello, gli scienziati dell’IBM e della NASA hanno costruito quello che le aziende descrivono come il primo set di dati lunari open source nel suo genere: una raccolta unificata, pronta per l’apprendimento automatico, che aggrega più di 30 strati allineati spazialmente da nove strumenti in quattro missioni. Combina decine di migliaia di immagini e mappe che catturano le proprietà geofisiche della superficie lunare, attingendo alle missioni Lunar Reconnaissance Orbiter (LRO) e GRAIL della NASA, tra le altre. La pubblicazione commerciale Unite.ai ha descritto il set di dati di riferimento allegato come SomBench.

Il set di dati conta tanto quanto il modello. Fino ad ora, ha osservato IBM, nessun set di dati disponibile al pubblico ha portato le osservazioni multimodali e multi-risoluzione della Luna in un quadro comune adatto al moderno apprendimento automatico, il che significa che qualsiasi gruppo di ricerca che desidera applicare il deep learning alla scienza lunare ha dovuto affrontare mesi di ingegneria dei dati.

Cosa dicono la NASA e l'IBM

"La NASA ha trascorso decenni a costruire una straordinaria documentazione scientifica sulla Luna, ma la raccolta di dati è solo una parte del lavoro", ha affermato Kevin Murphy, responsabile dei dati scientifici e responsabile dei dati e dell'intelligenza artificiale presso la sede della NASA. "Dobbiamo anche rendere i dati più facili da esplorare e utilizzare per gli scienziati. Il modello NASA-IBM Lunar Foundation mostra cosa è possibile fare quando portiamo l'intelligenza artificiale ai petabyte di dati scientifici della NASA."

"Scoprire i misteri della Luna richiede la capacità di imparare da uno straordinario volume di dati scientifici", ha affermato Juan Bernabe-Moreno, Direttore di IBM Research Europe, Regno Unito e Irlanda. “Il Lunar Foundation Model della NASA-IBM offre agli scienziati una base per esplorare la Luna su larga scala, collegando le osservazioni attraverso gli strumenti, rivelando modelli difficili da vedere isolatamente e fornendo una piattaforma aperta su cui la comunità di ricerca globale può costruire”.

Perché l'Open Source è importante in questo caso

L'inquadramento open source è intenzionale. Rilasciando pubblicamente i pesi, la NASA e l'IBM stanno invitando laboratori, università e agenzie spaziali di tutto il mondo a mettere a punto il modello per le proprie domande: dalla selezione del sito di atterraggio per le missioni con equipaggio agli studi fondamentali su come si è evoluta la superficie della Luna. I minori costi di messa a punto, ha affermato IBM, lo rendono pratico anche per i piccoli team.

Con molteplici programmi spaziali che lavorano per una presenza umana prolungata sulla Luna, le risorse in gioco sono significative: il ghiaccio d’acqua implica ossigeno per respirare e propellente idrogeno-ossigeno per rifornire i razzi per il viaggio su Marte. Mappare dove si trova il ghiaccio e dove la superficie è sicura per atterrare è un lavoro fondamentale ed è esattamente il tipo di problema di riconoscimento dei modelli in cui i modelli di fondazione si sono dimostrati efficaci.

Il comunicato segnala anche una tendenza più ampia nell’intelligenza artificiale per la scienza: invece di inseguire i chatbot, gli istituti di ricerca pubblici puntano sempre più spesso le tecniche del modello di base alla montagna di dati scientifici non analizzati che i loro strumenti hanno accumulato. La Luna, a quanto pare, è un buon punto di partenza.

---

Rimani Aggiornato sull'IA

Le ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.

Leggi altre notizie sull'IA →