NASA e IBM Research hanno lanciato il NASA-IBM Lunar Foundation Model, uno strumento di AI open source progettato per trasformare l'analisi dei dati della superficie lunare. Sebbene la NASA abbia già integrato l'AI nelle operazioni orbitali, questo rilascio segna un passaggio verso la fornitura alla comunità scientifica globale di un foundation model pre-addestrato, capace di generalizzare su molteplici domini di ricerca lunare attraverso un fine-tuning minimo.
Il modello è stato addestrato su un dataset massivo composto da circa 2 milioni di tasselle di immagini, provenienti principalmente dal Lunar Reconnaissance Orbiter (LRO). Il set include oltre 1 milione di immagini ad alta risoluzione a 1 metro e quasi 964.000 immagini multispettrali a 100 metri. Per garantire una copertura completa, l'addestramento ha incorporato dati delle missioni GRAIL e Lunar Prospector della NASA, oltre al Selenological and Engineering Explorer della JAXA.
Dalla mappatura manuale alla scoperta automatizzata
Scraped da https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundati
Tradizionalmente, l'identificazione delle caratteristiche lunari richiedeva che gli scienziati setacciassero manualmente petabyte di dati o utilizzassero strumenti di machine learning a scopo specifico. Il nuovo foundation model automatizza questi processi, permettendo ai ricercatori di mappare rapidamente i crateri e identificare gli "irregular mare patches", formazioni vulcaniche relativamente giovani che mettono in discussione le teorie attuali sull'evoluzione termica della Luna.
Un'applicazione critica è la stima della stabilità del ghiaccio polare. Il modello eccelle nell'identificare zone di ghiaccio stabile nelle regioni permanentemente in ombra, un requisito fondamentale per la pianificazione dei futuri habitat umani. Nei benchmark, il modello NASA-IBM ha superato altri baseline specificamente nella mappatura della prospettività del ghiaccio.
Rilevamento dei cambiamenti superficiali
La versatilità del modello è dimostrata dalla sua capacità di riconoscere nuovi cambiamenti della superficie. In un test riguardante l'impatto di un modulo di un razzo SpaceX — evento già analizzato su AlexTech.ai — il modello ha rilevato con successo il cratere appena formato, nonostante l'immagine post-impatto fosse stata esclusa dal pre-addestramento iniziale. Questa capacità permette agli scienziati di monitorare automaticamente impatti naturali e cambiamenti antropici sulla superficie lunare.
Il progetto fa parte di una strategia più ampia di AI per la scienza, unendosi ai modelli Prithvi per l'osservazione terrestre e al modello Surya per l'eliofisica. La codebase completa è disponibile su GitHub per incoraggiare la sperimentazione globale.
Ancora nessun commento. Puoi essere il primo!