NASA dan IBM mengumumkan pada hari Rabu keluaran sumber terbuka Model Yayasan Lunar NASA-IBM, model AI yang direka untuk membantu saintis mengekstrak cerapan daripada pemerhatian bulan selama beberapa dekad — salah satu model asas pertama yang tersedia secara terbuka yang dibina untuk penerokaan saintifik Bulan. Model ini tersedia sekarang, dengan laporan Mingguan Komputer bahawa ia boleh dimuat turun dari Wajah Memeluk.

Keluaran menyasarkan masalah yang biasa kepada saintis planet: terlalu banyak data, terlalu sedikit jam dalam sehari. Selama beberapa dekad, penderia dan instrumen telah memerhati Bulan secara berterusan, menghasilkan petabait maklumat. Untuk mengkaji permukaan, saintis terpaksa menapis peta dan imej dengan tangan atau bergantung pada model pembelajaran mesin khusus tugasan beresolusi rendah — pendekatan yang diterangkan oleh IBM sebagai intensif secara pengiraan dan selalunya tidak mempunyai ketepatan yang diperlukan untuk mengenal pasti dan menganalisis ciri geografi. For more context on this story, see our ongoing breaking AI news.

Mencari Ais, Kawah dan Gunung Berapi Purba

Model ini dilatih untuk memaparkan hubungan tersembunyi merentas pelbagai jenis dan resolusi data bulan, dan pengumuman IBM menggariskan tiga aplikasi utama.

Potensi mendapan ais. Kawasan berbayang-bayang kekal berhampiran kutub bulan adalah antara tempat paling sukar di Bulan untuk diperhatikan, namun ia mungkin menyimpan ais di bawah permukaan — sumber yang dianggap penting untuk pangkalan Bulan masa hadapan dan untuk menghasilkan bahan api roket untuk misi ke Marikh. Dalam kertas teknikal yang dikarang oleh pasukan NASA-IBM, model itu mengurangkan ralat (RMSE) dalam mengenal pasti kawasan yang berpotensi tinggi untuk ais bulan sebanyak sehingga 22 peratus berbanding model penglihatan SwinV2-B (ImageNet) yang digunakan secara meluas. Pengesanan kawah. Kawah mendedahkan petunjuk tentang umur rupa bumi, geologi bulan dan komposisi kimia bahagian dalam bulan awal, dan memetakannya membantu NASA memilih tapak pendaratan yang selamat dan mengelakkan bahaya seperti cerun curam dan batu besar. Model itu boleh mengenal pasti dan mengklasifikasikan kawah pada resolusi skala meter dengan ketepatan yang setanding dengan model terkini sambil menawarkan kecekapan yang lebih tinggi dan kos penalaan halus yang lebih rendah, kata IBM. Pada resolusi kira-kira 100 meter, ia mengungguli SwinV2-B sebanyak hampir 19 peratus menggunakan hanya separuh daripada data latihan. Sejarah gunung berapi. Model ini juga menjejaki Irregular Mare Patches — ciri gunung berapi misteri yang membantu saintis memahami evolusi terma Bulan. Walaupun apabila diberi label yang tidak sempurna, ia menangkap tahap ciri ini 3 peratus lebih baik daripada garis dasar SwinV2-B, menurut pengumuman itu.

Secara keseluruhan, IBM berkata model itu melebihi kaedah yang digunakan secara meluas sebanyak sehingga 23 peratus dalam mengenal pasti ciri geografi utama pada permukaan bulan.

Set Data Lunar Terbuka Bersatu Pertama

Di samping model itu, saintis IBM dan NASA membina perkara yang disifatkan oleh syarikat sebagai kumpulan data lunar sumber terbuka pertama seumpamanya: koleksi bersatu, pembelajaran mesin yang mengagregatkan lebih daripada 30 lapisan sejajar ruang daripada sembilan instrumen merentas empat misi. Ia menggabungkan puluhan ribu imej dan peta yang merakam sifat geofizik permukaan bulan, melukis pada misi Lunar Reconnaissance Orbiter (LRO) dan GRAIL NASA. Penerbitan perdagangan Unite.ai telah menerangkan set data penanda aras yang disertakan sebagai SomBench.

Set data penting sama seperti model. Sehingga kini, IBM menyatakan, tiada set data tersedia secara umum yang membawa pemerhatian berbilang mod dan berbilang resolusi Bulan ke dalam rangka kerja biasa yang sesuai untuk pembelajaran mesin moden — bermakna mana-mana kumpulan penyelidikan yang ingin menggunakan pembelajaran mendalam kepada sains lunar menghadapi bulan pertama kejuruteraan data.

Apa yang NASA dan IBM Katakan

"NASA telah menghabiskan beberapa dekad membina rekod saintifik Bulan yang luar biasa, tetapi mengumpul data hanyalah sebahagian daripada tugas," kata Kevin Murphy, ketua pegawai data sains dan pemangku ketua data dan pegawai AI di Ibu Pejabat NASA. "Kami juga perlu menjadikan data lebih mudah untuk diterokai dan digunakan oleh saintis. Model Yayasan Lunar NASA-IBM menunjukkan perkara yang mungkin apabila kami membawa AI ke petabait data saintifik NASA."

"Mendedahkan misteri Bulan memerlukan kebolehan untuk belajar daripada jumlah data saintifik yang luar biasa," kata Juan Bernabe-Moreno, Pengarah IBM Research Europe, UK dan Ireland. "Model Yayasan Lunar NASA-IBM memberi saintis asas untuk meneroka Bulan pada skala, menghubungkan pemerhatian merentas instrumen, mendedahkan corak yang sukar dilihat secara berasingan, dan menyediakan platform terbuka yang boleh dibina oleh komuniti penyelidikan global."

Mengapa Sumber Terbuka Penting Di Sini

Pembingkaian sumber terbuka adalah sengaja. Dengan mengeluarkan pemberat secara terbuka, NASA dan IBM menjemput makmal, universiti dan agensi angkasa di seluruh dunia untuk memperhalusi model untuk soalan mereka sendiri — daripada pemilihan tapak pendaratan untuk misi anak kapal kepada kajian asas tentang bagaimana permukaan Bulan berkembang. Kos penalaan halus yang lebih rendah, kata IBM, menjadikannya praktikal walaupun untuk pasukan kecil.

Dengan pelbagai program angkasa lepas yang berusaha ke arah kehadiran manusia yang berterusan di Bulan, sumber yang dipertaruhkan adalah penting: ais air membayangkan oksigen untuk bernafas dan propelan hidrogen-oksigen untuk mengisi minyak roket untuk perjalanan ke Marikh. Pemetaan di mana ais itu berada, dan di mana permukaannya selamat untuk mendarat, adalah kerja asas — dan ia betul-betul jenis model asas masalah pengecaman corak yang telah terbukti bagus.

Keluaran ini juga menandakan arah aliran yang lebih luas dalam AI untuk sains: daripada mengejar chatbots, institusi penyelidikan awam semakin menunjukkan teknik model asas pada gunung data saintifik yang tidak dianalisis yang telah terkumpul oleh instrumen mereka. Bulan, ternyata, adalah tempat yang baik untuk bermula.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →