IBM و ناسا یک مدل هوش مصنوعی متن‌باز جدید به نام NASA-IBM Lunar Foundation Model منتشر کرده‌اند که برای تحلیل داده‌های علمی مربوط به ماه طراحی شده است. این مدل با استفاده از داده‌های چندین مأموریت فضایی می‌تواند به پژوهشگران در شناسایی ویژگی‌هایی مانند دهانه‌ها، مناطق دارای احتمال وجود یخ و آثار فعالیت‌های آتشفشانی کمک کند.
مدل هوش مصنوعی IBM و ناسا چگونه کار می‌کند؟
ناسا طی دهه‌ها حجم عظیمی از اطلاعات مربوط به ماه جمع‌آوری کرده است؛ داده‌هایی که از ابزارها و مأموریت‌های مختلف به دست آمده‌اند و حجم آنها به پتابایت می‌رسد. بررسی دستی چنین مجموعه بزرگی از داده‌ها دشوار است و مدل‌های یادگیری ماشین تخصصی نیز معمولاً برای یک وظیفه مشخص طراحی می‌شوند.
مدل جدید IBM و ناسا با هدف ایجاد یک چارچوب مشترک برای تحلیل انواع مختلف داده‌های ماه توسعه یافته است. این مدل می‌تواند اطلاعات چندمنبعی و تصاویر با وضوح‌های متفاوت را در کنار یکدیگر بررسی کند و روابطی را پیدا کند که ممکن است در تحلیل جداگانه هر مجموعه داده به‌سادگی دیده نشوند.
آموزش مدل با میلیون‌ها تصویر از ماه
بخش مهمی از آموزش این مدل بر پایه داده‌های Lunar Reconnaissance Orbiter (LRO) ناسا انجام شده است. طبق اعلام ناسا، مدل با حدود ۲ میلیون قطعه تصویر آموزش داده شده که شامل بیش از یک میلیون تصویر دوربین با وضوح یک متر و حدود ۹۶۴ هزار تصویر چندطیفی با وضوح ۱۰۰ متر است.
داده‌های مأموریت‌های دیگری مانند GRAIL، Lunar Prospector و مأموریت ژاپنی SELENE/Kaguya نیز در توسعه این مدل مورد استفاده قرار گرفته‌اند.
IBM و ناسا همچنین یک مجموعه‌داده متن‌باز و آماده استفاده برای یادگیری ماشین منتشر کرده‌اند که بیش از ۳۰ لایه داده مکانی هم‌تراز از ۹ ابزار و چهار مأموریت را در کنار یکدیگر قرار می‌دهد.
هوش مصنوعی به دنبال یخ ماه می‌گردد
یکی از کاربردهای مهم مدل جدید، شناسایی مناطقی است که احتمال می‌رود در آنها یخ ماه وجود داشته باشد. مناطق همیشه در سایه ماه از دشوارترین نقاط برای مطالعه هستند، اما ممکن است حاوی ذخایر یخ زیر سطح باشند.
شناسایی این منابع برای برنامه‌های آینده اکتشاف ماه اهمیت زیادی دارد؛ زیرا آب می‌تواند در مأموریت‌های طولانی‌مدت فضایی مورد استفاده قرار گیرد و حتی برای تولید اکسیژن و سوخت موشک به کار گرفته شود.
بر اساس نتایج اعلام‌شده از سوی IBM و ناسا، مدل جدید در شناسایی مناطق دارای احتمال بالای وجود یخ، خطای RMSE را در مقایسه با مدل SwinV2-B تا ۲۲ درصد کاهش داده است.
شناسایی دهانه‌ها و آثار آتشفشانی
دهانه‌های برخوردی نیز یکی دیگر از کاربردهای مهم این مدل هستند. شناسایی و دسته‌بندی دقیق دهانه‌ها می‌تواند اطلاعات ارزشمندی درباره سن مناطق مختلف، تاریخچه زمین‌شناختی و ترکیبات سطح ماه در اختیار دانشمندان قرار دهد.
این قابلیت همچنین می‌تواند در انتخاب محل‌های مناسب برای فرود و برنامه‌ریزی زیرساخت‌های آینده روی سطح ماه کاربرد داشته باشد. در وضوح حدود ۱۰۰ متر، مدل IBM و ناسا تقریباً ۱۹ درصد بهتر از SwinV2-B عمل کرده و برای رسیدن به این نتیجه به نیمی از داده‌های آموزشی آن نیاز داشته است.
مدل همچنین برای مطالعه ویژگی‌های آتشفشانی ماه آزمایش شده و در شناسایی برخی از این ساختارها، عملکرد بهتری نسبت به روش مقایسه‌ای داشته است.
مدل متن‌باز برای استفاده پژوهشگران سراسر جهان
یکی از مهم‌ترین ویژگی‌های پروژه، متن‌باز بودن مدل و داده‌های مرتبط با آن است. مدل روی Hugging Face در دسترس قرار گرفته و کد کامل آن نیز در GitHub منتشر شده است تا پژوهشگران بتوانند آن را آزمایش، تنظیم و برای پروژه‌های جدید استفاده کنند.
این مدل به خانواده Prithvi از مدل‌های پایه متن‌باز IBM و ناسا می‌پیوندد که پیش از این برای حوزه‌هایی مانند پایش زمین، آب‌وهوا و خورشید توسعه یافته بودند.
مشخصات مهم مدل NASA-IBM Lunar Foundation Model
| ویژگی | جزئیات |
|---|---|
| توسعه‌دهندگان | IBM و NASA |
| کاربرد اصلی | پژوهش و اکتشاف علمی ماه |
| وضعیت | متن‌باز |
| داده آموزشی | حدود ۲ میلیون قطعه تصویر |
| منابع داده | LRO، GRAIL، Lunar Prospector، SELENE/Kaguya |
| داده‌های یکپارچه | بیش از ۳۰ لایه از ۹ ابزار و ۴ مأموریت |
| کاربردها | شناسایی یخ، دهانه‌ها و ساختارهای آتشفشانی |
| دسترسی | Hugging Face و GitHub |
انتشار این مدل نشان می‌دهد ناسا و IBM می‌خواهند به‌جای توسعه یک الگوریتم جداگانه برای هر مسئله علمی، از مدل‌های پایه‌ای استفاده کنند که بتوان آنها را برای وظایف مختلف تنظیم کرد. چنین رویکردی می‌تواند زمان موردنیاز برای تحلیل داده‌های فضایی را کاهش دهد و امکان استفاده گسترده‌تر پژوهشگران از داده‌های موجود را فراهم کند.
در نتیجه، بخش قابل توجهی از داده‌هایی که طی دهه‌ها از ماه جمع‌آوری شده‌اند، می‌توانند با کمک هوش مصنوعی برای کشف ویژگی‌های جدید و برنامه‌ریزی بهتر مأموریت‌های آینده مورد استفاده قرار گیرند.
منابع: TechRadar ، IBM، NASA
