IBM et NASA publient un modèle d'IA construit sur des décennies de données lunaires
IBM vise le secteur du cloud hybride en Malaisie.
- IBM et la NASA ont publié jeudi le modèle fondamental open-source NASA-IBM Lunar Foundation Model, disponible gratuitement sur Hugging Face, pour aider les scientifiques à analyser des décennies de données lunaires et à repérer de la glace, des cratères et un terrain volcanique.
- Il a surpassé un benchmark courant de 23 % pour la détection de glace et de 19 % pour les cratères, en utilisant la moitié des données.
- Pour la NASA, de meilleures cartes de la glace souterraine et des sites d'atterrissage sûrs sont des conditions préalables à une présence humaine durable sur la Lune.
Les chercheurs peuvent désormais utiliser un modèle d'IA open source d'IBM et de la NASA pour trier des décennies d'observations lunaires à la recherche de glace, de cratères et de terrain volcanique à l'aide du tout nouveau NASA-IBM Lunar Foundation Model, en préparation du retour des humains à la surface de la Lune. Le système est disponible en téléchargement gratuit sur Hugging Face, avec son code source complet publié sur GitHub, selon NASA Science.
L'étude de la surface lunaire a toujours été un processus relativement lent avec l'une des deux options possibles, qui comprenaient le passage en revue manuel des cartes et des images, ou l'entraînement d'un modèle d'apprentissage automatique étroit et à faible résolution pour chaque demande distincte. Ces deux options sont coûteuses à exploiter et manquent souvent les détails fins dont les scientifiques ont besoin dans leurs recherches, a déclaré IBM dans son annonce.
La publication d'un modèle de base aide cependant, car les chercheurs peuvent ensuite utiliser un modèle pré-entraîné pour chaque nouvelle tâche au lieu d'en construire un nouveau lorsqu'ils travaillent avec une caractéristique géologique différente. Le modèle lunaire est le dernier ajout à la famille Prithvi d'IBM de modèles de science ouverte, qui couvre déjà des applications dans l'analyse géospatiale, la météo et l'héliophysique. Juan Bernabe-Moreno, directeur d'IBM Research Europe, Royaume-Uni et Irlande, a déclaré que le nouveau système donne aux scientifiques un moyen d'analyser les observations lunaires à grande échelle et d'identifier des motifs qui peuvent être difficiles à détecter lors de l'étude de jeux de données individuels.
« Le modèle donne aux scientifiques une base pour explorer la Lune à grande échelle, reliant les observations à travers les instruments, révélant des motifs difficiles à voir isolément », a déclaré Bernabe-Moreno.
Le modèle de base lunaire dépasse les benchmarks de performance
NASA et IBM ont comparé le modèle à SwinV2-B, un système de vision entraîné par Microsoft largement utilisé comme référence pour l'analyse d'images. Le nouveau modèle a réduit les erreurs de 23 % lors de la localisation des dépôts de glace, et a surpassé SwinV2-B de 19 % dans la détection et la classification des cratères, bien qu'il ait été entraîné sur la moitié des données. Le document technique d'IBM a signalé une amélioration des performances de 3 % lorsque le modèle a été utilisé pour identifier les caractéristiques volcaniques connues sous le nom de taches irrégulières des mers (Irregular Mare Patches), tout en nécessitant moins de réglage fin.
Le modèle a été testé en direct le 5 août, lorsque IBM lui a fourni une image montrant le site d'impact laissé après qu'une fusée SpaceX Falcon 9 a frappé la Lune. Malgré le nouvel impact apparaissant presque directement au-dessus d'un cratère existant, le modèle l'a correctement identifié comme un cratère nouvellement formé.
L'objectif reste de rendre possible une présence humaine durable sur la Lune. La cartographie des régions permanentément à l'ombre près des pôles lunaires reste un défi majeur car ces zones font partie des plus difficiles à observer sur la Lune et pourraient contenir des dépôts de glace souterraine. IBM a déclaré que la glace pourrait fournir de l'eau et de l'oxygène pour les futures bases lunaires tout en fournissant des matières premières pour le carburant de fusée qui pourrait soutenir les missions vers Mars.
L'ensemble de données pourrait survivre au modèle
Les organisations ont également publié ce qu'elles ont appelé le premier ensemble de données unifié et prêt pour l'apprentissage automatique de la Lune. L'ensemble de données rassemble plus de 30 couches spatialement alignées collectées par neuf instruments sur quatre missions lunaires distinctes.
Cet ensemble de données tire des images du Lunar Reconnaissance Orbiter de la NASA et de la mission gravitationnelle GRAIL, et ajoute des données de l'orbiteur japonais SELENE/Kaguya. Bernabe-Moreno a déclaré que les quelque deux millions de points de données co-enregistrés pourraient s'avérer être la contribution durable par rapport au modèle lui-même. « Les données sont ce qui crée vraiment l'industrie des modèles d'IA », a-t-il déclaré.
La publication du modèle d'IA s'appuie sur un partenariat qui remonte à plus de cinq décennies au programme Apollo.
Si vous lisez ceci, vous êtes déjà en avance. Restez ainsi grâce à notre newsletter.
Opeyemi Olanrewaju
Opeyemi se spécialise dans la création et l'amélioration de contenus de haute qualité centrés sur la cryptomonnaie, les marchés financiers mondiaux et l'économie. Il est diplômé de l'Université d'Ibadan avec un diplôme de médecin (MBBS). Il a travaillé comme rédacteur en chef de la publication éditoriale de son collège et précédemment chez CFA. Pendant plus de six ans, il a contribué à préserver l'unicité en tant que rédacteur en charge de l'actualité chez Cryptopolitan.
