NASA i IBM razvili AI model za istraživanje Mjeseca

Proteklog proljeća NASA-ina misija Artemis II obavila je prvi let s ljudskom posadom prema Mjesecu od 1972. godine te je kompletirala svoj historijski prelet Mjeseca. Astronauti Reid Wiseman, Christina Koch, Victor Glover i Jeremy Hansen odletjeli su dalje od Zemlje nego bilo ko prije njih. Sada, dok se NASA priprema za sljedeću misiju Artemis i one koje će uslijediti, svemirska agencija sarađuje s IBM-om kako bi naučnicima pružila nove alate za proučavanje Mjeseca.

U četvrtak su dvije organizacije predstavile NASA-IBM Lunar Foundation Model. Riječ je o open-source AI sistemu koji je dostupan za preuzimanje na platformi Hugging Face. Kao temeljni model, on može obavljati nekoliko različitih zadataka, tvrdi dr. Juan Bernabé-Moreno, direktor IBM Research Europe za Veliku Britaniju i Irsku. Za početak, NASA i IBM su utvrdili da je model posebno dobar u identifikovanju područja na površini Mjeseca na kojima bi mogao postojati led.

Dvije organizacije provele su test u kojem su predviđanja modela uporedile s mapom koju su napravile koristeći objavljeni naučni postupak koji uključuje podatke o terenu, temperaturi i drugim faktorima okruženja. Zatim su model uporedile sa sistemom SwinV2-B, vizuelnim sistemom koji je obučio Microsoft za obradu slika visoke rezolucije. NASA-IBM model smanjio je broj grešaka za 23 posto. NASA i IBM uporedili su model sa SwinV2-B jer se ovaj alat često koristi kao referentni model za brojne zadatke analize slika.

NASA i IBM su također testirali sposobnost svog modela da identifikuje i klasifikuje kratere. U tom slučaju novi model nadmašio je SwinV2-B za 19 posto, istovremeno koristeći upola manje podataka za obuku. Također, NASA i IBM su nedavno dobili priliku da provjere sposobnosti modela kada se raketa SpaceX Falcon 9 srušila na Mjesec 5. augusta. Kada je IBM modelu proslijedio snimak udara, on je ispravno identifikovao mjesto pada kao novi krater, iako se ono u velikoj mjeri preklapalo s postojećim kraterom.

Bernabé-Moreno navodi da je obučavanje modela predstavljalo izazov. Atmosfera naše planete raspršuje sunčevu svjetlost, ispunjavajući sjene ambijentalnim svjetlom koje ublažava njihove rubove. Sjene na Mjesecu, nasuprot tome, imaju oštre rubove i potpuno su crne, što znači da pri njihovom fotografisanju pikseli u sjeni ne sadrže nikakve informacije.

"Kod posmatranja Zemlje imate savršeno jasne snimke. Na Mjesecu imate Sunce u različitim trenucima tokom dana, ono osvjetljava površinu i stvara sjene, a vi se morate nositi s tim sjenama", kaže on. Rezultat je da krater na jednom snimku može izgledati na jedan način, a na sljedećem potpuno drugačije", rekao je on.

Još jedan izazov proizašao je iz načina na koji se modeli računarskog vida obično obučavaju i testiraju. Najčešće taj proces podrazumijeva uklanjanje dijelova slike, a zatim se od modela traži da na osnovu obrazaca koje je naučio tokom obuke rekonstruiše ono što nedostaje.

"Možete ukloniti 90 posto kratera, a zatim od modela tražiti da na osnovu preostalih 10 posto rekonstruiše ostalih 90 posto", objašnjava Bernabé-Moreno. To ne funkcioniše na Mjesecu. Kao što se može pretpostaviti, razlog je taj što mnogi krateri izgledaju veoma slično jedni drugima kada se fotografišu iz orbite.

Zapravo, IBM-ovi pokušaji da model obuči na tradicionalan način bili su "potpuna katastrofa", ali istraživački tim je na kraju osmislio kreativno rješenje.

"Uzeli smo Mjesec i podijelili ga na kriške, poput narandže, te smo potpuno odvojili kriške korištene za obuku od onih korištenih za testiranje. Na taj način mogli smo modelu pružiti mnogo veću dosljednost", otkrio je Bernabé-Moreno.

Jedan od razloga zbog kojih su NASA i IBM uzbuđeni zbog ovog izdanja jeste to što ono uključuje prvi open-source skup podataka te vrste, koji drugi istraživači mogu koristiti za izgradnju budućih modela. On objedinjuje desetine hiljada snimaka i podatke instrumenata iz NASA-inih misija Lunar Reconnaissance Orbiter (LRO) i Gravity Recovery and Interior Laboratory (GRAIL), kao i japanske misije Selenological and Engineering Explorer (SELENE).

"Jedan od razloga zbog kojih nikada ranije nismo imali sveobuhvatan i moćan model Mjeseca jeste taj što nismo imali podatke organizovane na pravi način", dodao je on.

Organizacija je u ovom slučaju podrazumijevala stvaranje mreže u kojoj svaki piksel slikovnih podataka odgovara drugim vrstama podataka koje model može koristiti kako bi unaprijedio svoju obradu.

"Samo to predstavlja ogroman naučni doprinos. Naučna zajednica sada ima usklađen skup podataka s više od dva miliona tačaka podataka, a znamo da AI modele zamjenjuju drugi, napredniji modeli. Podaci su ono što zaista stvara industriju AI modela", završio je Bernabé-Moreno.