IBM e NASA hanno presentato il NASA-IBM Lunar Foundation Model, uno dei primi foundation model open source sviluppati in modo specifico per lo studio della Luna. Il sistema sfrutta decenni di osservazioni scientifiche e dati provenienti da più strumenti e missioni spaziali, con l’obiettivo di supportare l’analisi della superficie lunare e la ricerca di caratteristiche utili anche in vista delle future missioni con presenza umana. Il modello permette di analizzare in modo congiunto informazioni con caratteristiche e risoluzioni differenti. Secondo i risultati diffusi da IBM e NASA, in alcuni test il sistema supera fino al 23% le metodologie di riferimento utilizzate per identificare caratteristiche della superficie lunare, tra cui potenziali depositi di ghiaccio, crateri e formazioni di origine vulcanica.
La Luna dispone ormai di una quantità molto ampia di dati scientifici raccolti nel corso di decenni. Sonde e strumenti hanno prodotto immagini, mappe e misurazioni della superficie e del sottosuolo, ma l’analisi di queste informazioni richiede spesso strumenti progettati per singoli compiti oppure un esame manuale dei dati. Il Lunar Foundation Model punta invece a fornire una base comune che i ricercatori possono adattare a diversi problemi scientifici.
La ricerca del ghiaccio sulla Luna
Una delle applicazioni riguarda l’individuazione di potenziali depositi di ghiaccio, soprattutto nelle regioni permanentemente in ombra. Si tratta di aree difficili da osservare direttamente, ma considerate particolarmente importanti per le future missioni lunari. La presenza di ghiaccio potrebbe infatti fornire una fonte locale di acqua. Le sue componenti potrebbero inoltre risultare utili per ottenere ossigeno e, in prospettiva, combustibile per le missioni spaziali. Il modello combina osservazioni multimodali e informazioni con diverse risoluzioni per stimare le aree nelle quali esiste una maggiore probabilità di trovare ghiaccio. Nei test descritti da IBM e NASA, il sistema ha ridotto fino al 22% l’errore RMSE rispetto al modello SwinV2-B basato su ImageNet.
L’AI per ricostruire la storia vulcanica della Luna
Un secondo ambito riguarda le Irregular Mare Patches, particolari formazioni della superficie che gli scienziati studiano per ricostruire la storia dell’attività vulcanica e l’evoluzione termica della Luna. L’identificazione precisa di queste strutture può offrire informazioni sull’evoluzione geologica del satellite e risultare utile anche nella pianificazione delle future attività sulla superficie. Secondo i test realizzati dai ricercatori, il NASA-IBM Lunar Foundation Model riesce a rappresentare l’estensione di queste formazioni con una precisione superiore di circa il 3% rispetto a SwinV2-B, anche in presenza di dati di addestramento con etichette non perfette. Il modello richiede inoltre risorse inferiori per le successive fasi di adattamento.
Il rilevamento dei crateri
Il modello può essere utilizzato anche per identificare e classificare i crateri lunari. Queste strutture rappresentano una fonte importante di informazioni per determinare l’età dei terreni, studiare la geologia della Luna e ricostruire parte della sua storia. Le mappe dei crateri hanno anche una funzione pratica. Possono contribuire alla selezione dei siti di atterraggio e alla valutazione di rischi presenti sulla superficie, come pendii, massi e altre caratteristiche potenzialmente problematiche per rover, astronauti e infrastrutture. A una risoluzione di contesto di circa 100 metri, IBM e NASA affermano che il modello ha superato SwinV2-B di quasi il 19%, nonostante l’impiego di circa la metà dei dati di addestramento.
Un unico dataset per dati provenienti da più missioni
Accanto al modello, IBM e NASA hanno creato anche un dataset lunare open source progettato per il machine learning. La raccolta aggrega più di 30 livelli di dati spazialmente allineati, provenienti da nove strumenti scientifici utilizzati nell’ambito di quattro missioni. Comprende decine di migliaia di immagini e mappe dedicate alle proprietà geofisiche della superficie e del sottosuolo lunare.
Tra le fonti utilizzate figurano i dati del Lunar Reconnaissance Orbiter, della missione NASA GRAIL e della missione giapponese SELENE/Kaguya della Japan Aerospace Exploration Agency.
L’obiettivo è superare uno dei limiti incontrati finora dalla ricerca: l’assenza di un dataset pubblico e unificato capace di integrare informazioni multimodali e a differenti risoluzioni in una struttura adatta ai moderni sistemi di machine learning.
«La NASA ha impiegato decenni per costruire una straordinaria documentazione scientifica sulla Luna, ma la raccolta dei dati è solo una parte del lavoro», ha spiegato Kevin Murphy, chief science data officer e chief data e AI officer ad interim della NASA. Per Murphy, l’uso dell’intelligenza artificiale può rendere più accessibili i petabyte di dati scientifici prodotti dall’agenzia e favorire nuove scoperte.
Secondo Juan Bernabé-Moreno, Director of IBM Research Europe, UK and Ireland, il modello permette invece di mettere in relazione osservazioni provenienti da strumenti differenti e di individuare correlazioni difficili da riconoscere attraverso l’analisi separata delle singole fonti.
Il modello entra nella famiglia Prithvi
Il Lunar Foundation Model entra nella famiglia Prithvi, che comprende altri foundation model aperti sviluppati nell’ambito della collaborazione tra IBM e NASA. I modelli della famiglia Prithvi sono già stati applicati a settori come l’osservazione della Terra, la meteorologia e l’eliofisica. Il nuovo progetto estende questo approccio allo studio della Luna. La logica alla base dei foundation model scientifici prevede l’utilizzo di un modello di base comune, che può successivamente essere adattato a compiti differenti. In questo modo i gruppi di ricerca non devono necessariamente sviluppare da zero un nuovo sistema per ogni specifico problema scientifico. Il NASA-IBM Lunar Foundation Model è open source e viene distribuito pubblicamente attraverso Hugging Face. NASA ha inoltre reso disponibile il codice necessario per test e sperimentazioni, con l’obiettivo di consentire a università, centri di ricerca e comunità scientifica internazionale di utilizzare e adattare il modello per nuovi studi sulla Luna.
Aiutaci a crescere: lasciaci un like :)