NASA e IBM sviluppano un modello IA per l’esplorazione lunare

La scorsa primavera, il mondo ha vissuto un raro momento di gioia e stupore collettivo quando la missione Artemis II della NASA, il primo volo con equipaggio verso la Luna dal 1972, ha completato il suo storico sorvolo lunare. Il 6 aprile, gli astronauti Reid Wiseman, Christina Koch, Victor Glover e Jeremy Hansen hanno volato più lontano dalla Terra di qualsiasi altro essere umano prima di loro. Ora, mentre la NASA si prepara per la prossima missione Artemis e oltre, l’agenzia spaziale sta collaborando con IBM per fornire agli scienziati nuovi strumenti per studiare la Luna.

Giovedì, le due organizzazioni hanno rilasciato il NASA-IBM Lunar Foundation Model, un sistema di intelligenza artificiale open-source disponibile per il download su Hugging Face. Essendo un modello di base, è in grado di svolgere diverse funzioni, come spiega il dott. Juan Bernabé-Moreno, direttore di IBM Research Europe, Regno Unito e Irlanda. Inizialmente, la NASA e IBM hanno scoperto che era particolarmente abile nell’identificare le aree sulla superficie lunare dove potrebbe esserci del ghiaccio.

Le due organizzazioni hanno condotto un test confrontando le previsioni del modello con una mappa creata utilizzando un flusso di lavoro scientifico pubblicato che incorpora dati sul terreno, termici e altri dati ambientali. Hanno poi messo il modello a confronto con SwinV2-B, un sistema di visione addestrato da Microsoft per l’elaborazione di immagini ad alta risoluzione. Il modello NASA-IBM ha ridotto gli errori del 23 percento. Il confronto con SwinV2-B è stato scelto perché questo strumento è spesso utilizzato come riferimento per molte attività di analisi delle immagini.

La NASA e IBM hanno anche valutato la capacità del loro modello di identificare e classificare i crateri. In questo campo, il nuovo modello ha superato SwinV2-B del 19 percento, utilizzando la metà dei dati di addestramento. La NASA e IBM hanno avuto modo di verificare le capacità del modello di recente, quando un razzo SpaceX Falcon 9 si è schiantato sulla Luna il 5 agosto. Quando IBM ha fornito un’immagine dell’impatto al modello, questo ha identificato correttamente il sito dello schianto come un nuovo cratere, nonostante si sovrapponesse strettamente a un cratere esistente. “Ha funzionato fantasticamente”, afferma Bernabé-Moreno, con il modello che ha centrato l’identificazione al primo tentativo.

Bernabé-Moreno ha dichiarato che l’addestramento del modello è stato una sfida. “Nell’osservazione della Terra, si hanno immagini incontaminate”, spiega. L’atmosfera del nostro pianeta diffonde la luce solare, riempiendo le ombre di luce ambientale che ne ammorbidisce i bordi. Le ombre sulla Luna, invece, appaiono taglienti e nere come la pece, il che significa che ogni volta che vengono fotografate, i pixel in ombra non contengono alcuna informazione. “Sulla Luna, si ha il sole in momenti diversi della giornata, e illumina e taglia le ombre, e bisogna fare i conti con quelle ombre”, dice. Il risultato è che un cratere può apparire in un modo in un’immagine e completamente diverso nell’immagine successiva.

Un’altra sfida è derivata dal modo in cui i modelli di visione artificiale vengono tipicamente addestrati e testati. Molto spesso, questo processo prevede la rimozione di alcune parti di un’immagine e l’incarico al modello di ricostruire ciò che manca in base ai modelli appresi durante l’addestramento. “Potresti rimuovere il 90 percento di un cratere e, con il 10 percento [rimanente], chiedere al modello di ricostruire l’altro 90 percento”, spiega Bernabé-Moreno. Questo non funziona per la Luna. Come si può immaginare, la ragione è che molti crateri si assomigliano molto quando vengono fotografati dall’orbita.

Infatti, i tentativi di IBM di addestrare il modello in modo tradizionale sono stati un “disastro completo”, afferma Bernabé-Moreno, ma il team di ricerca ha alla fine escogitato una soluzione creativa. “Abbiamo preso la Luna e l’abbiamo divisa in spicchi, come un’arancia, e abbiamo separato completamente gli spicchi di addestramento da quelli di test. In questo modo, abbiamo potuto dare al modello molta coerenza”, dice.

Uno dei motivi per cui la NASA e IBM sono entusiasti di questo rilascio è che include un dataset open-source unico nel suo genere che altri ricercatori possono utilizzare per costruire modelli futuri. Incorpora decine di migliaia di immagini e dati strumentali dalle missioni NASA Lunar Reconnaissance Orbiter (LRO) e Gravity Recovery and Interior Laboratory (GRAIL), nonché dal Selenological and Engineering Explorer (SELENE) del Giappone.

“Una delle ragioni per cui non abbiamo mai visto un modello lunare completo e potente prima è che non avevamo i dati [organizzati] nel modo giusto”, afferma Bernabé-Moreno. L’organizzazione in questo caso significava creare una griglia in cui ogni pixel di dati di imaging corrisponde ad altre modalità di dati che un modello può utilizzare per informare la sua elaborazione. “Questo da solo è un enorme contributo scientifico, perché a parte il modello: la comunità ora ha un dataset co-registrato con più di due milioni di punti di dati”, dice Bernabé-Moreno. “E sappiamo che i modelli di IA vengono superati da altri modelli. Sono i dati che creano veramente l’industria dei modelli di IA.”