NASA og IBM frigiver gratis AI, der finder månens vandis 22% mere præcist

At finde vandis på Månen er et af de sværeste problemer inden for planetarisk videnskab. Isen er ikke jævnt fordelt, den gemmer sig i permanent skyggefulde kratere ved polerne, og det kræver at skelne svage spektrale signaler fra instrumentstøj, når man skal identificere den fra kredsløb. IBM og NASAs Lunar Foundation Model er designet specifikt til det problem.

Lunar Foundation Model er en open source-AI, trænet på over to millioner billeder fra fem månekredsende rumfartøjer: Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya og andre. Den er tilgængelig på Hugging Face og GitHub gennem IBMs geospatiale rammeværk TerraTorch, helt uden omkostninger.

I benchmarktest identificerer modellen vandis-aflejringer med 22 % større nøjagtighed end tidligere metoder. Den finder også månekratere med 19 % større præcision. Bemærkelsesværdigt nok opnår den denne ydeevne med halvdelen af den mærkede træningsdata, som sammenlignelige modeller kræver – en vigtig egenskab for månevidenskab, hvor mærkede datasæt er dyre at producere.

Den praktiske værdi ligger i ressourcekortlægning til Artemis-programmet. NASA planlægger at etablere en vedvarende menneskelig tilstedeværelse nær Månens sydpol, hvor vandis kan omdannes til drikkevand, ilt og raketbrændstof. At vide, hvor isen faktisk er, og hvor meget der findes, påvirker direkte valg af landingssted og infrastrukturplanlægning.

Modellen udgives under en åben licens, fordi både IBM og NASA bidrager til den gennem offentligt finansieret forskning. At gøre den frit tilgængelig betyder, at forskere på universiteter, rumagenturer og private virksomheder kan bruge, evaluere og forbedre den uden licensmæssige barrierer. TerraTorch, IBMs rammeværk den kører på, håndterer den underliggende geospatiale datapipeline.

Forbedringen på 22 % er et benchmark-resultat – en sammenligning med andre modeller på et standardiseret testdatasæt, ikke en måling fra en aktiv operationel mission. Om Lunar Foundation Model vil forbedre faktisk missionsbeslutningstagning afhænger af, hvor godt benchmarkforholdene afspejler rigtige måneobservationsdata, som varierer med kredsløbsgeometri, instrumentkalibrering og solindstrålingsvinkler. Uafhængig validering fra grupper, der ikke er tilknyttet IBM eller NASA, er endnu ikke offentliggjort.

Lunar Foundation Model er tilgængelig på Hugging Face og GitHub. IBM og NASA har ikke fastsat en tidsplan for integration af modellen i aktiv Artemis-missionsplanlægning.

Tags: kunstig intelligens, nasa, IBM, Lunar Foundation Model, månforskning