Decenni di osservazioni della superficie lunare diventano la base di un sistema di intelligenza artificiale utilizzabile dalla comunità scientifica internazionale. IBM e NASA hanno rilasciato il NASA-IBM Lunar Foundation Model, uno dei primi foundation model open source progettati specificamente per lo studio della Luna, con l’obiettivo di rendere più rapida l’analisi di quantità di informazioni che hanno ormai raggiunto l’ordine dei petabyte.
Il progetto punta a superare uno dei limiti con cui deve confrontarsi la ricerca planetaria: i dati arrivano da strumenti, missioni e sensori differenti, con caratteristiche e risoluzioni diverse. Analizzarli separatamente significa perdere parte delle correlazioni che possono emergere mettendo in relazione fonti differenti. Il nuovo foundation model è stato quindi addestrato per riconoscere schemi comuni e collegamenti all’interno di osservazioni lunari eterogenee, riducendo anche il ricorso a sistemi di machine learning sviluppati per un singolo compito.
Dai petabyte di dati alle informazioni sulla superficie lunare
Negli ultimi decenni le missioni scientifiche hanno prodotto un patrimonio sempre più esteso di mappe e immagini della Luna. Crateri, depositi di ghiaccio, caratteristiche del terreno e tracce dell’attività vulcanica vengono studiati attraverso informazioni raccolte con tecnologie differenti. L’analisi tradizionale richiede però spesso un lavoro manuale oppure l’impiego di algoritmi specializzati, con costi computazionali elevati e risultati legati alla risoluzione dei singoli dataset.
È su questo problema che interviene l’approccio dei foundation model. Una volta pre-addestrato su grandi quantità di informazioni, il sistema può essere adattato a più attività scientifiche senza dover costruire ogni volta un nuovo algoritmo da zero. Secondo la NASA, il modello è stato addestrato principalmente sui dati del Lunar Reconnaissance Orbiter e può essere utilizzato per sviluppare strumenti dedicati, tra l’altro, alla mappatura dei crateri, all’analisi delle formazioni vulcaniche e alla stima della presenza di ghiaccio nelle regioni polari.
Ghiaccio lunare, errore ridotto fino al 22%
Una delle applicazioni riguarda le aree permanentemente in ombra, particolarmente difficili da osservare ma potenzialmente importanti per le future missioni. Nel sottosuolo potrebbero infatti trovarsi depositi di ghiaccio, una possibile fonte di acqua e ossigeno e, in prospettiva, una risorsa utilizzabile anche per la produzione di carburante.
Combinando osservazioni multimodali e a diverse risoluzioni, il NASA-IBM Lunar Foundation Model ha ridotto fino al 22% l’errore nell’individuazione delle aree con un alto potenziale di presenza di ghiaccio rispetto al modello SwinV2-B basato su ImageNet, secondo il documento tecnico citato da IBM e NASA.
Il miglioramento ha quindi una ricaduta che va oltre la classificazione delle immagini. Una conoscenza più precisa della distribuzione delle risorse potrebbe contribuire alla scelta delle aree da approfondire e, nel lungo periodo, alla pianificazione delle attività necessarie a una presenza umana duratura sul satellite.
L’AI ricostruisce anche la storia geologica
Il sistema viene applicato anche allo studio delle Irregular Mare Patches, particolari formazioni che aiutano gli scienziati a ricostruire la storia vulcanica e l’evoluzione termica della Luna. In questo caso, utilizzando etichette di addestramento non perfette, la precisione nella rappresentazione dell’estensione delle formazioni risulta superiore del 3% rispetto a SwinV2-B, mantenendo livelli di accuratezza comparabili e riducendo i costi necessari per il fine-tuning.
Un altro campo di utilizzo è la…
