NASA และ IBM ประกาศเมื่อวันพุธที่ผ่านมาถึงการเปิดตัว NASA-IBM Lunar Foundation Model ซึ่งเป็นโมเดล AI ที่ออกแบบมาเพื่อช่วยให้นักวิทยาศาสตร์ดึงข้อมูลเชิงลึกจากการสังเกตการณ์ดวงจันทร์มานานหลายทศวรรษ ซึ่งเป็นหนึ่งในโมเดลพื้นฐานรุ่นแรกๆ ที่เผยแพร่ต่อสาธารณะซึ่งสร้างขึ้นเพื่อการสำรวจดวงจันทร์ทางวิทยาศาสตร์ โมเดลดังกล่าวมีวางจำหน่ายแล้ว โดย Computer Weekly รายงานว่าสามารถดาวน์โหลดได้จาก Hugging Face

การเปิดตัวครั้งนี้มุ่งเป้าไปที่ปัญหาที่นักวิทยาศาสตร์ดาวเคราะห์คุ้นเคย: มีข้อมูลมากเกินไป, มีชั่วโมงมากเกินไปในแต่ละวัน เป็นเวลาหลายทศวรรษแล้วที่เซ็นเซอร์และเครื่องมือต่างๆ ได้สังเกตการณ์ดวงจันทร์อย่างต่อเนื่อง ทำให้เกิดข้อมูลขนาดเพตะไบต์ ในการศึกษาพื้นผิว นักวิทยาศาสตร์ต้องสำรวจแผนที่และรูปภาพด้วยมือหรืออาศัยโมเดลการเรียนรู้ของเครื่องที่มีความละเอียดต่ำเฉพาะงาน ซึ่ง IBM อธิบายว่าแนวทางดังกล่าวใช้การประมวลผลอย่างเข้มข้นและมักจะขาดความแม่นยำที่จำเป็นในการระบุและวิเคราะห์คุณลักษณะทางภูมิศาสตร์ For more context on this story, see our ongoing breaking AI news.

ค้นหาน้ำแข็ง ปล่องภูเขาไฟ และภูเขาไฟโบราณ

แบบจำลองนี้ได้รับการฝึกฝนให้แสดงความสัมพันธ์ที่ซ่อนอยู่ในประเภทและความละเอียดของข้อมูลดวงจันทร์ที่หลากหลาย และการประกาศของ IBM ได้สรุปแอปพลิเคชันหลักสามรายการ

ศักยภาพการสะสมของน้ำแข็ง บริเวณที่ถูกบังเงาอย่างถาวรใกล้กับขั้วดวงจันทร์เป็นหนึ่งในสถานที่ที่ยากที่สุดในการสังเกตบนดวงจันทร์ แต่พวกมันก็อาจมีน้ำแข็งอยู่ใต้พื้นผิว ซึ่งเป็นทรัพยากรที่ถือว่าจำเป็นสำหรับฐานทัพดวงจันทร์ในอนาคตและสำหรับการผลิตเชื้อเพลิงจรวดสำหรับภารกิจไปยังดาวอังคาร ในรายงานทางเทคนิคที่เขียนโดยทีมงาน NASA-IBM แบบจำลองดังกล่าวลดข้อผิดพลาด (RMSE) ในการระบุพื้นที่ที่มีศักยภาพสูงที่จะเกิดน้ำแข็งบนดวงจันทร์ มากถึง 22 เปอร์เซ็นต์ เมื่อเทียบกับแบบจำลองการมองเห็น SwinV2-B (ImageNet) ที่ใช้กันอย่างแพร่หลาย การตรวจจับปล่องภูเขาไฟ หลุมอุกกาบาตเปิดเผยเบาะแสเกี่ยวกับอายุของภูมิประเทศ ธรณีวิทยาของดวงจันทร์ และองค์ประกอบทางเคมีของการตกแต่งภายในของดวงจันทร์ในยุคแรกๆ และการทำแผนที่ช่วยให้ NASA เลือกสถานที่ลงจอดที่ปลอดภัย และหลีกเลี่ยงอันตราย เช่น ทางลาดชันและก้อนหิน โมเดลนี้สามารถระบุและจำแนกหลุมอุกกาบาตที่ความละเอียดระดับเมตรโดยมีความแม่นยำเทียบเท่ากับโมเดลล้ำสมัย ขณะเดียวกันก็ให้ประสิทธิภาพที่สูงกว่าและต้นทุนการปรับแต่งที่ต่ำกว่า IBM กล่าว ที่ความละเอียดประมาณ 100 เมตร มีประสิทธิภาพเหนือกว่า SwinV2-B เกือบ 19 เปอร์เซ็นต์โดยใช้ข้อมูลการฝึกเพียงครึ่งหนึ่ง ประวัติศาสตร์ภูเขาไฟ แบบจำลองนี้ยังติดตามรอยปะของแม่ม้าที่ไม่สม่ำเสมอ ซึ่งเป็นลักษณะภูเขาไฟลึกลับที่ช่วยให้นักวิทยาศาสตร์เข้าใจวิวัฒนาการทางความร้อนของดวงจันทร์ แม้ว่าจะป้อนฉลากที่ไม่สมบูรณ์ แต่ก็สามารถจับขอบเขตของคุณสมบัติเหล่านี้ได้ดีกว่าพื้นฐาน SwinV2-B ถึง 3 เปอร์เซ็นต์ตามประกาศ

เมื่อนำมารวมกัน ไอบีเอ็มกล่าวว่าแบบจำลองนี้เกินกว่าวิธีการที่ใช้กันอย่างแพร่หลายถึง มากถึง 23 เปอร์เซ็นต์ ในการระบุลักษณะทางภูมิศาสตร์ที่สำคัญบนพื้นผิวดวงจันทร์

ชุดข้อมูลทางจันทรคติเปิดแบบครบวงจรชุดแรก

นอกเหนือจากโมเดลดังกล่าวแล้ว นักวิทยาศาสตร์ของ IBM และ NASA ยังได้สร้างสิ่งที่บริษัทต่างๆ เรียกว่าเป็นชุดข้อมูลทางจันทรคติแบบโอเพ่นซอร์สชุดแรกในลักษณะเดียวกัน: คอลเล็กชันที่พร้อมสำหรับการเรียนรู้ด้วยเครื่องจักรแบบครบวงจรที่รวบรวม เลเยอร์ที่จัดเรียงเชิงพื้นที่มากกว่า 30 เลเยอร์จากเครื่องมือเก้าเครื่องในสี่ภารกิจ โดยได้รวมภาพและแผนที่นับหมื่นที่รวบรวมคุณสมบัติทางธรณีฟิสิกส์ของพื้นผิวดวงจันทร์ วาดภาพบนยานอวกาศ Lunar Reconnaissance Orbiter (LRO) ของ NASA และภารกิจ GRAIL และอื่นๆ อีกมากมาย สิ่งพิมพ์ทางการค้า Unite.ai ได้อธิบายชุดข้อมูลมาตรฐานที่มาพร้อมกันว่า SomBench

ชุดข้อมูลมีความสำคัญพอๆ กับโมเดล จนถึงขณะนี้ IBM ตั้งข้อสังเกตว่า ไม่มีชุดข้อมูลที่เปิดเผยต่อสาธารณะใดที่นำการสังเกตการณ์หลายรูปแบบและหลายความละเอียดของดวงจันทร์มาไว้ในกรอบงานทั่วไปที่เหมาะสำหรับการเรียนรู้ของเครื่องสมัยใหม่ ซึ่งหมายความว่ากลุ่มวิจัยใดๆ ที่ต้องการนำการเรียนรู้เชิงลึกมาประยุกต์ใช้กับวิทยาศาสตร์ทางจันทรคติต้องเผชิญหน้ากับวิศวกรรมข้อมูลเป็นเวลาหลายเดือนเป็นครั้งแรก

สิ่งที่ NASA และ IBM กำลังพูด

“NASA ใช้เวลาหลายทศวรรษในการสร้างบันทึกทางวิทยาศาสตร์ที่ไม่ธรรมดาเกี่ยวกับดวงจันทร์ แต่การรวบรวมข้อมูลเป็นเพียงส่วนหนึ่งของงาน” เควิน เมอร์ฟี่ หัวหน้าเจ้าหน้าที่ข้อมูลวิทยาศาสตร์และรักษาการหัวหน้าฝ่ายข้อมูลและเจ้าหน้าที่ AI ของสำนักงานใหญ่ NASA กล่าว "เรายังต้องทำให้ข้อมูลง่ายขึ้นสำหรับนักวิทยาศาสตร์ในการสำรวจและใช้งาน โมเดลมูลนิธิ Lunar Foundation ของ NASA-IBM แสดงให้เห็นว่าอะไรเป็นไปได้เมื่อเรานำ AI มาสู่ข้อมูลทางวิทยาศาสตร์ระดับเพตะไบต์ของ NASA"

“การเปิดเผยความลึกลับของดวงจันทร์ต้องอาศัยความสามารถในการเรียนรู้จากข้อมูลทางวิทยาศาสตร์จำนวนมหาศาล” Juan Bernabe-Moreno ผู้อำนวยการ IBM Research Europe สหราชอาณาจักร และไอร์แลนด์ กล่าว "แบบจำลองมูลนิธิทางจันทรคติของ NASA-IBM ช่วยให้นักวิทยาศาสตร์มีรากฐานในการสำรวจดวงจันทร์ในวงกว้าง เชื่อมโยงการสังเกตการณ์ผ่านเครื่องมือต่างๆ เผยให้เห็นรูปแบบที่ยากต่อการมองเห็นเมื่อแยกจากกัน และเป็นแพลตฟอร์มเปิดที่ชุมชนการวิจัยทั่วโลกสามารถสร้างได้"

เหตุใดโอเพ่นซอร์สจึงมีความสำคัญที่นี่

การวางกรอบโอเพ่นซอร์สเป็นการจงใจ ด้วยการเปิดเผยตุ้มน้ำหนักต่อสาธารณะ NASA และ IBM เชิญชวนห้องปฏิบัติการ มหาวิทยาลัย และหน่วยงานด้านอวกาศทั่วโลกเพื่อปรับแต่งแบบจำลองให้เหมาะกับคำถามของตนเอง ตั้งแต่การเลือกสถานที่ลงจอดสำหรับภารกิจที่มีลูกเรือ ไปจนถึงการศึกษาพื้นฐานเกี่ยวกับวิวัฒนาการของพื้นผิวดวงจันทร์ IBM กล่าวว่าต้นทุนการปรับแต่งที่ลดลง ทำให้สิ่งนี้ใช้ได้จริงแม้แต่กับทีมขนาดเล็ก

ด้วยโครงการอวกาศหลายโครงการที่มุ่งสู่การดำรงอยู่ของมนุษย์บนดวงจันทร์อย่างยั่งยืน ทรัพยากรที่เป็นเดิมพันจึงมีความสำคัญ กล่าวคือ น้ำแข็งในน้ำหมายถึงออกซิเจนในการหายใจ และจรวดไฮโดรเจน-ออกซิเจนเพื่อเติมเชื้อเพลิงให้กับจรวดสำหรับการเดินทางไปดาวอังคาร การทำแผนที่บริเวณที่น้ำแข็งตั้งอยู่ และบริเวณที่พื้นผิวลงจอดได้อย่างปลอดภัย ถือเป็นงานพื้นฐาน และเป็นแบบจำลองพื้นฐานของปัญหาการจดจำรูปแบบที่ได้รับการพิสูจน์แล้วว่าทำได้ดี

การเปิดตัวยังส่งสัญญาณถึงแนวโน้มที่กว้างขึ้นใน AI สำหรับวิทยาศาสตร์ แทนที่จะไล่ตามแชทบอท สถาบันวิจัยสาธารณะกำลังชี้ให้เห็นถึงเทคนิคแบบจำลองพื้นฐานที่ภูเขาข้อมูลทางวิทยาศาสตร์ที่ไม่ได้วิเคราะห์ที่เครื่องมือของพวกเขาสะสมไว้มากขึ้น ปรากฎว่าดวงจันทร์เป็นสถานที่ที่ดีในการเริ่มต้น

---

Stay Ahead of AI

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

Read more AI news →