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.
Indice degli argomenti
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 mappatura dei crateri. La loro distribuzione permette di stimare l’età dei terreni e di ottenere informazioni sulla geologia e sulla composizione chimica delle regioni più antiche. Sul piano operativo, la cartografia dei crateri può inoltre contribuire alla scelta dei siti di atterraggio, all’individuazione di pendii, massi e altri potenziali rischi e alla progettazione di infrastrutture destinate a rimanere sulla superficie.
A una risoluzione di contesto di circa 100 metri, il nuovo sistema ha registrato prestazioni quasi del 19% superiori a SwinV2-B utilizzando soltanto metà dei dati di addestramento.
Murphy: “Trasformare grandi quantità di dati in nuove scoperte”
Il punto centrale, per l’agenzia spaziale statunitense, è aumentare la capacità degli scienziati di utilizzare il patrimonio informativo accumulato nel corso delle missioni.
“La NASA ha impiegato decenni per costruire una straordinaria documentazione scientifica sulla Luna, ma la raccolta dei dati è solo una parte del lavoro”, afferma Kevin Murphy, chief science data officer e chief data e AI officer ad interim presso la sede centrale della NASA a Washington. “Dobbiamo anche rendere i dati più accessibili e fruibili per gli scienziati. Il NASA- IBM Lunar Foundation Model dimostra cosa è possibile realizzare quando applichiamo l’intelligenza artificiale ai petabyte di dati scientifici della NASA. Questa è la vera opportunità che vediamo nell’AI: trasformare grandi quantità di dati in nuove scoperte”.
L’elemento dell’apertura è parte integrante del progetto. La NASA ha reso disponibile pubblicamente il modello attraverso Hugging Face e il codice attraverso GitHub, permettendo alla comunità di sperimentare e sviluppare nuove applicazioni.
Un dataset aperto costruito con quattro missioni
Accanto al foundation model, IBM e NASA hanno realizzato un dataset lunare open source che aggrega oltre 30 livelli spazialmente allineati ottenuti da nove strumenti scientifici utilizzati in quattro missioni.
La raccolta combina decine di migliaia di immagini e mappe con informazioni sulle proprietà geofisiche della superficie. Comprende dati del Lunar Reconnaissance Orbiter e della missione GRAIL della NASA e integra osservazioni provenienti dalla missione SELENE/Kaguya della Japan Aerospace Exploration Agency. L’obiettivo è fornire una rappresentazione multimodale della superficie e del sottosuolo utilizzabile direttamente nei processi di machine learning.
“Svelare i misteri della Luna richiede la capacità di apprendere da un volume straordinario di dati scientifici”, dichiara Juan Bernabe-Moreno, Direttore di IBM Research Europe, UK e Irlanda. “Il NASA-IBM Lunar Foundation Model offre agli scienziati una piattaforma di riferimento per esplorare la Luna su larga scala, collegando osservazioni provenienti da diversi strumenti, evidenziando correlazioni difficili da individuare singolarmente e mettendo a disposizione della comunità scientifica globale una base aperta su cui costruire nuove scoperte.”
Dalla Terra allo spazio, cresce la famiglia Prithvi
Il Lunar Foundation Model amplia la collaborazione avviata da IBM e NASA sull’impiego dell’AI per l’elaborazione dei dati scientifici. Entra nella famiglia Prithvi di foundation model aperti, che comprende già applicazioni dedicate all’osservazione della Terra, alla meteorologia e all’eliofisica.
La logica è quella di creare basi algoritmiche riutilizzabili. I gruppi di ricerca possono partire da un sistema già addestrato su grandi quantità di informazioni e specializzarlo successivamente per un determinato problema scientifico. L’apertura del modello e del dataset estende inoltre la possibilità di sperimentazione a università, centri di ricerca e sviluppatori, favorendo il confronto tra approcci differenti e la riproducibilità dei risultati.
Per l’esplorazione spaziale, il valore dell’AI passa così sempre più dalla capacità di far dialogare archivi costruiti nel corso di missioni differenti. Il prossimo salto nella conoscenza della superficie lunare potrebbe dipendere anche dalla possibilità di estrarre nuove relazioni dai dati già raccolti, prima ancora che nuovi strumenti inizino a produrne altri.
Partecipa alla community