IBM y NASA lanzan un modelo de IA basado en décadas de datos lunares
IBM mira el sector de nube híbrida de Malasia.
- IBM y NASA lanzaron el modelo lunar de base de código abierto NASA-IBM el jueves, disponible gratuitamente en Hugging Face, para ayudar a los científicos a analizar décadas de datos de la Luna y detectar hielo, cráteres y terreno volcánico.
- Superó una prueba común en un 23% en la detección de hielo y en un 19% en cráteres utilizando la mitad de los datos.
- Para NASA, mejores mapas de hielo subsuperficial y sitios de aterrizaje seguros son requisitos previos para una presencia humana duradera en la Luna.
Los investigadores ahora pueden utilizar un modelo de IA de código abierto de IBM y NASA para filtrar décadas de observaciones lunares en busca de hielo, cráteres y terreno volcánico mediante el recién lanzado Modelo Base Lunar NASA-IBM, en preparación para devolver a las personas a la superficie de la Luna. El sistema está disponible como descarga gratuita en Hugging Face, con su base de código completa publicada en GitHub, según NASA Science.
Estudiar la superficie lunar siempre ha sido un proceso relativamente lento con una de dos opciones posibles, que incluían revisar mapas e imágenes manualmente, o entrenar un modelo de aprendizaje automático estrecho y de baja resolución para cada solicitud por separado. Ambas opciones son costosas de ejecutar y a menudo pierden los detalles finos que los científicos necesitan en sus investigaciones, dijo IBM en su anuncio.
La publicación de un modelo base ayuda, ya que los investigadores pueden entonces utilizar un modelo preentrenado para cada nueva tarea en lugar de construir uno nuevo cuando trabajan con una característica geológica diferente. El modelo lunar es la última adición a la familia Prithvi de IBM de modelos de ciencia abierta, que ya abarca aplicaciones en análisis geoespacial, meteorología y heliofísica. Juan Bernabe-Moreno, director de IBM Research Europa, Reino Unido e Irlanda, dijo que el nuevo sistema ofrece a los científicos una forma de analizar las observaciones lunares a gran escala e identificar patrones que pueden ser difíciles de detectar al estudiar conjuntos de datos individuales.
«El modelo proporciona a los científicos una base para explorar la Luna a gran escala, conectando observaciones a través de instrumentos, revelando patrones que son difíciles de ver de forma aislada», dijo Bernabe-Moreno.
El modelo base lunar supera los puntos de referencia de rendimiento
NASA y IBM midieron el modelo contra SwinV2-B, un sistema de visión entrenado por Microsoft ampliamente utilizado como referencia para el análisis de imágenes. El nuevo modelo redujo los errores en un 23 % cuando se utilizó para localizar depósitos de hielo, y superó a SwinV2-B en un 19 % al encontrar y clasificar cráteres, aunque se entrenó con la mitad de los datos. El documento técnico de IBM informó una mejora del 3 % en el rendimiento cuando el modelo se utilizó para identificar características volcánicas conocidas como Parches Mare Irregulares, mientras que también requería menos ajuste fino.
El modelo fue sometido a una prueba en vivo el 5 de agosto, cuando IBM le alimentó una imagen que mostraba el sitio de impacto dejado después de que un cohete SpaceX Falcon 9 golpeara la Luna. A pesar de que el nuevo impacto aparecía casi directamente sobre un cráter existente, el modelo lo identificó correctamente como un cráter recién formado.
El objetivo sigue siendo hacer posible la presencia humana sostenida en la Luna. Mapear las regiones permanentemente sombreadas cerca de los polos lunares sigue siendo un gran desafío porque estas áreas están entre las más difíciles de observar en la Luna y podrían contener depósitos de hielo subsuperficial. IBM dijo que el hielo podría suministrar agua y oxígeno para futuras bases lunares, mientras que también proporcionaría materias primas para combustible de cohetes que podrían apoyar misiones a Marte.
El conjunto de datos puede perdurar más que el modelo
Las organizaciones también lanzaron lo que llamaron el primer conjunto de datos unificado y listo para aprendizaje automático de la Luna. El conjunto de datos reúne más de 30 capas espacialmente alineadas recopiladas por nueve instrumentos en cuatro misiones lunares separadas.
Este conjunto de datos recopila imágenes del Orbitador de Reconocimiento Lunar de la NASA y la misión de gravedad GRAIL, y añade datos del orbitador japonés SELENE/Kaguya. Bernabe-Moreno dijo que los aproximadamente dos millones de puntos de datos co-registrados podrían resultar ser la contribución duradera más allá del propio modelo. «Los datos son lo que realmente crea la industria de modelos de IA», afirmó.
El lanzamiento del modelo de IA se basa en una asociación que se remonta a más de cinco décadas al programa Apollo.
Las mentes más inteligentes del mundo cripto ya leen nuestro boletín. ¿Quieres unirte? Únete a ellos.
Opeyemi Olanrewaju
Opeyemi se especializa en crear y refinar contenido de alta calidad centrado en criptomonedas, mercados financieros globales y la economía. Se graduó de la Universidad de Ibadan con un título de MBBS. Ha trabajado como Editor Jefe de la publicación editorial de su universidad y anteriormente en CFA. Durante más de seis años, ha ayudado a salvaguardar la originalidad como editor de noticias en Cryptopolitan.
