IBM e NASA rilasciano un modello di IA basato su decenni di dati lunari
IBM punta al settore cloud ibrido della Malesia.
- IBM e la NASA hanno rilasciato giovedì il modello open-source NASA-IBM Lunar Foundation Model, disponibile gratuitamente su Hugging Face, per aiutare gli scienziati ad analizzare decenni di dati lunari e individuare ghiaccio, crateri e terreni vulcanici.
- Ha superato un benchmark comune del 23% nel rilevamento del ghiaccio e del 19% nei crateri utilizzando metà dei dati.
- Per la NASA, mappe più precise del ghiaccio subsuperficiale e siti di atterraggio sicuri sono prerequisiti fondamentali per una presenza umana duratura sulla Luna.
I ricercatori possono ora utilizzare un modello di IA open source di IBM e NASA per setacciare decenni di osservazioni lunari alla ricerca di ghiaccio, crateri e terreno vulcanico utilizzando il appena rilasciato NASA-IBM Lunar Foundation Model, in preparazione al ritorno delle persone sulla superficie della Luna. Il sistema è disponibile come download gratuito su Hugging Face, con il suo intero codice sorgente pubblicato su GitHub, secondo NASA Science.
Lo studio della superficie lunare è sempre stato un processo relativamente lento con una di due possibili opzioni, che includevano la scansione manuale di mappe e immagini o l'addestramento di un modello di machine learning stretto e a bassa risoluzione per ogni richiesta separata. Entrambe queste opzioni sono costose da gestire e spesso perdono i dettagli fini di cui gli scienziati hanno bisogno nelle loro ricerche, ha dichiarato IBM nella sua annuncio.
Il rilascio di un foundation model aiuta, poiché i ricercatori possono poi utilizzare un modello pre-addestrato per ogni nuovo compito invece di costruirne uno nuovo quando si lavora con una diversa caratteristica geologica. Il modello lunare è l'ultima aggiunta alla famiglia Prithvi di modelli open science di IBM, che già copre applicazioni nell'analisi geospaziale, nel meteo e nell'eliofisica. Juan Bernabe-Moreno, direttore di IBM Research Europa, Regno Unito e Irlanda, ha dichiarato che il nuovo sistema offre agli scienziati un modo per analizzare le osservazioni lunari su larga scala e identificare modelli che potrebbero essere difficili da rilevare studiando dataset individuali.
«Il modello fornisce agli scienziati una base per esplorare la Luna su larga scala, collegando le osservazioni tra gli strumenti, rivelando modelli difficili da vedere in isolamento», ha detto Bernabe-Moreno.
Il modello foundation lunare supera i benchmark delle prestazioni
NASA e IBM hanno misurato il modello rispetto a SwinV2-B, un sistema di visione addestrato da Microsoft ampiamente utilizzato come baseline per l'analisi delle immagini. Il nuovo modello ha ridotto gli errori del 23% quando utilizzato per localizzare i depositi di ghiaccio e ha superato SwinV2-B del 19% nel trovare e classificare i crateri, anche se è stato addestrato su metà dei dati. Il documento tecnico di IBM ha riportato un miglioramento delle prestazioni del 3% quando il modello è stato utilizzato per identificare le caratteristiche vulcaniche note come Irregular Mare Patches, richiedendo al contempo meno affinamento.
Il modello è stato sottoposto a un test dal vivo il 5 agosto, quando IBM gli ha fornito un'immagine che mostrava il sito dell'impatto lasciato dopo che un razzo SpaceX Falcon 9 ha colpito la Luna. Nonostante il nuovo impatto apparisse quasi direttamente sopra un cratere esistente, il modello lo ha identificato correttamente come un cratere di nuova formazione.
L'obiettivo rimane quello di rendere possibile una presenza umana sostenibile sulla Luna. La mappatura delle regioni permanentemente in ombra vicino ai poli lunari rimane una sfida importante perché queste aree sono tra le più difficili da osservare sulla Luna e potrebbero contenere depositi di ghiaccio subsuperficiale. IBM ha dichiarato che il ghiaccio potrebbe fornire acqua e ossigeno per le future basi lunari, fornendo al contempo materie prime per il carburante per razzi che potrebbero supportare missioni verso Marte.
Il dataset potrebbe durare più a lungo del modello
Le organizzazioni hanno anche rilasciato ciò che hanno definito il primo dataset unificato, pronto per il machine learning, della Luna. Il dataset riunisce più di 30 stralli allineati spazialmente raccolti da nove strumenti su quattro missioni lunari separate.
Questo dataset preleva immagini dal Lunar Reconnaissance Orbiter della NASA e dalla missione GRAIL per la gravità e aggiunge dati dall'orbiter giapponese SELENE/Kaguya. Bernabe-Moreno ha affermato che i circa due milioni di punti dati co-registrati potrebbero rivelarsi il contributo duraturo rispetto al modello stesso. «I dati sono ciò che crea davvero l'industria dei modelli di IA», ha dichiarato.
Il rilascio del modello di IA si basa su una partnership che risale a oltre cinque decenni fa, al programma Apollo.
Se stai leggendo questo, sei già avanti. Resta così con la nostra newsletter.
Opeyemi Olanrewaju
Opeyemi è specializzato nella creazione e nel perfezionamento di contenuti di alta qualità focalizzati su criptovalute, mercati finanziari globali ed economia. Si è laureato presso l'Università di Ibadan con una laurea in Medicina (MBBS). Ha lavorato come Caporedattore della pubblicazione editoriale del suo Ateneo e precedentemente presso CFA. Da oltre sei anni, si occupa di salvaguardare l'unicità dei contenuti in qualità di redattore capo per Cryptopolitan.
