Американската вселенска агенција NASA и компанијата IBM развија AI модел за истражување на Месечината.
Минатата пролет, мисијата Artemis II на NASA го изведе првиот лет со човечки екипаж кон Месечината од 1972 година и го заврши својот историски прелет околу Месечината. Астронаутите Рид Вајсман, Кристина Кох, Виктор Гловер и Џереми Хансен отпатуваа подалеку од Земјата од кој било човек пред нив. Сега, додека NASA се подготвува за следната мисија Artemis и мисиите што ќе следуваат, вселенската агенција соработува со IBM за да им обезбеди на научниците нови алатки за проучување на Месечината.
Во четвртокот, двете организации го претставија NASA-IBM Lunar Foundation Model. Станува збор за AI систем со отворен код, достапен за преземање преку платформата Hugging Face. Како основен модел, тој може да извршува повеќе различни задачи, вели д-р Хуан Бернабе-Морено, директор на IBM Research Europe за Велика Британија и Ирска. Засега, NASA и IBM утврдиле дека моделот е особено добар во идентификување области на површината на Месечината каде што би можело да има мраз.
Двете организации спровеле тест во кој предвидувањата на моделот ги споредиле со мапа изработена со користење на објавена научна методологија, која вклучува податоци за теренот, температурата и други фактори од околината. Потоа моделот бил спореден со системот SwinV2-B, визуелен систем обучен од Microsoft за обработка на слики со висока резолуција. NASA-IBM моделот го намалил бројот на грешки за 23 проценти. NASA и IBM го избрале SwinV2-B за споредба бидејќи оваа алатка често се користи како референтен модел за различни задачи поврзани со анализа на слики.
NASA и IBM ја тестирале и способноста на својот модел да идентификува и класифицира кратери. Во овој случај, новиот модел бил за 19 проценти подобар од SwinV2-B, а истовремено користел двојно помалку податоци за тренирање.
NASA и IBM неодамна добиле можност да ги проверат способностите на моделот и кога ракетата Falcon 9 на SpaceX се урна на Месечината на 5 август. Кога IBM моделот бил изложен на снимка од ударот, тој правилно ја идентификувал локацијата на падот како нов кратер, иако таа во голема мера се преклопувала со постоечки кратер.
Бернабе-Морено наведува дека тренирањето на моделот било предизвик. Атмосферата на нашата планета ја расејува сончевата светлина, исполнувајќи ги сенките со амбиентална светлина која ги ублажува нивните рабови. Сенките на Месечината, напротив, имаат остри рабови и се целосно црни, што значи дека при нивното фотографирање пикселите во сенката не содржат никакви информации.
„Кога ја набљудувате Земјата, имате совршено јасни снимки. На Месечината го имате Сонцето во различни периоди од денот, кое ја осветлува површината и создава сенки, а вие мора да се справите со тие сенки“, вели тој. Резултатот е дека кратерот на една снимка може да изгледа на еден начин, а на следната целосно поинаку.
Друг предизвик произлегол од начинот на кој моделите за компјутерски вид вообичаено се обучуваат и тестираат. Најчесто, тој процес подразбира отстранување делови од сликата, по што од моделот се бара врз основа на шаблоните што ги научил за време на обуката да го реконструира она што недостасува.
„Можете да отстраните 90 проценти од кратерот, а потоа од моделот да побарате врз основа на преостанатите 10 проценти да ги реконструира останатите 90 проценти“, објаснува Бернабе-Морено.
Тоа не функционира на Месечината. Како што може да се претпостави, причината е тоа што многу кратери изгледаат многу слично еден на друг кога се фотографираат од орбитата.
Всушност, обидите на IBM да го обучи моделот на традиционален начин биле „целосна катастрофа“, но истражувачкиот тим на крајот осмислил креативно решение.
„Ја зедовме Месечината и ја поделивме на парчиња, како портокал, при што целосно ги одвоивме парчињата што се користеа за обука од оние што се користеа за тестирање. На тој начин можевме да му обезбедиме на моделот многу поголема конзистентност“, открива Бернабе-Морено.
Една од причините поради кои NASA и IBM се особено возбудени поради ова издание е тоа што вклучува прв сет на податоци со отворен код од ваков вид, кој другите истражувачи можат да го користат за развивање идни модели.
Тој обединува десетици илјади снимки и податоци од инструменти од мисиите на NASA Lunar Reconnaissance Orbiter (LRO) и Gravity Recovery and Interior Laboratory (GRAIL), како и од јапонската мисија Selenological and Engineering Explorer (SELENE).
„Една од причините поради кои досега немавме сеопфатен и моќен модел на Месечината е тоа што немавме податоци организирани на вистинскиот начин“, додава тој.
Организацијата на податоците во овој случај подразбирала создавање мрежа во која секој пиксел од визуелните податоци одговара на други видови податоци што моделот може да ги користи за да ја подобри својата обработка.
„Самото тоа претставува огромен научен придонес. Научната заедница сега има усогласен сет на податоци со повеќе од два милиони точки на податоци, а знаеме дека AI моделите се заменуваат со други, понапредни модели. Податоците се она што навистина ја создава индустријата на AI модели“, заклучува Бернабе-Морено.
