Nova umjetna inteligencija mapira površinu Mjeseca preciznije nego ikad prije

IBM i NASA razvili su novi model umjetne inteligencije koji omogućuje preciznije mapiranje površine Mjeseca nego što je bilo moguće do sada. Lunar Foundation Model (LFM) ujediniće decenije podataka prikupljenih robotskim misijama.

Razvoj AI sistema obavljen je u partnerstvu dviju institucija, a rezultati su objavljeni 10. septembra u tehničkom radu. Model je dostupan kao otvoreni izvor na platformi Hugging Face, što omogućuje naučnicima da ga prilagode za različite projekte.

Do sada su se podaci o Mjesecu obrađivali ograničenim modelima poput SwinV2-B, kreiranog 2022. godine. Prostorije sateliti prikupljali su informacije pomoću različitih senzora — visokorezolucijskih optičkih kamera, laserskih altimetara, radarskih alata i spektrometara za mjerenje gustine elemenata — što je usložnilo analizu.

Pronalaženje leda i sigurnih zona

Nova AI tehnologija omogućuje generisanje pouzdane mape kratera, što je ključno za određivanje sigurnih zona za slijetanje. Sistem može analizirati kratere kako bi otkrio hemijski sastav unutrašnjosti Mjeseca i njegovu historiju.

Jedna od primarnih funkcija LFM-a je identifikacija duboko zasjenjenih područja gdje se često nalazi podzemni led. Ovi resursi su neophodni za uspostavljanje dugoročnih baza na Mjesecu, prema navodima istraživača.

Sistem također prati vulkansku aktivnost kako bi budućim misijama omogućio izbjegavanje nestabilnog terena i pružio uvide u termalnu evoluciju Mjeseca.

Tehnički izazovi

Prikupljanje mjesečevih podataka predstavlja jedinstvene računalne izazove. NASA-in Lunar Reconnaissance Orbiter i drugi sateliti mjere podatke na različitim prostornim skalama — od regionalnih mapa sa rezolucijom 100 metara po pikselu do skeniranja terena sa 1 metrom po pikselu.

Zbog toga što Mjesec nema atmosferu, ekstremna geometrija sunčeve svjetlosti stvara duboke i zavodljive sjene. Sunce može također isprati suptilne geološke detalje, ovisno o trenutku kada je slika snimljena.

Za prevazilaženje ovih problema, tim je kreirao slojevitu bazu podataka SomBench, koja sadrži gotovo dva miliona preklapajućih dijelova karata. Podaci iz različitih instrumenata i uglova usklađeni su u iste tileove.

Kako model funkcioniše

LFM interpretira slojevite podatke tehnikom maskiranog-tokenačenja, gdje dijelovi podataka privremeno nestaju pa AI mora popuniti praznine. Tokom obuke, modelu se prikazuje dio mjesečeve ploče — vidljiva svjetlost i nadmorska visina — a zatim kontinualno predviđa skrivenu informaciju.

Analiza osvjetljenja ugrađena je direktno u arhitekturu modela. Umjesto da zaključuje nivo svjetla samo iz sjena, istraživači su dostavili eksplicitne metapodatke o solarnim uglovima i pozicijama satelita.

Ovo omogućuje modelu da prepoznaje stvarne terenske karakteristike umjesto da bude zavuđen sjene. Tim je testirao AI na četiri zadatka, uključujući detekciju kratera.