Η τεχνητή νοημοσύνη αποκτά πλέον έναν νέο ρόλο στην εξερεύνηση της Σελήνης, με τις NASA και IBM να παρουσιάζουν το NASA-IBM Lunar Foundation Model, ένα open-source AI σύστημα που έχει σχεδιαστεί για να βοηθήσει τους επιστήμονες να αναλύουν σε πρωτοφανή κλίμακα εικόνες και δεδομένα από τη σεληνιακή επιφάνεια.
Το νέο foundation model μπορεί να χρησιμοποιηθεί για μια σειρά διαφορετικών επιστημονικών εργασιών, από τον εντοπισμό πιθανών αποθεμάτων πάγου μέχρι την αναγνώριση κρατήρων και τη μελέτη γεωλογικών σχηματισμών. Παράλληλα, NASA και IBM διαθέτουν και ένα μεγάλο open-source dataset, δίνοντας στην ερευνητική κοινότητα τη δυνατότητα να αναπτύξει δικά της AI μοντέλα για μελλοντικές αποστολές στη Σελήνη.
Η πρωτοβουλία αποκτά ιδιαίτερη σημασία καθώς το πρόγραμμα Artemis περνά σταδιακά από τις επανδρωμένες πτήσεις γύρω από τη Σελήνη στην προετοιμασία για πιο μόνιμη ανθρώπινη παρουσία στην επιφάνειά της.
AI που «διαβάζει» τη Σελήνη
Σε αντίθεση με ένα AI model που έχει εκπαιδευτεί για μία μόνο συγκεκριμένη εργασία, το NASA-IBM Lunar Foundation Model έχει σχεδιαστεί ως βάση πάνω στην οποία μπορούν να αναπτυχθούν διαφορετικές εφαρμογές.
Ένα από τα πρώτα πεδία στα οποία δοκιμάστηκε ήταν ο εντοπισμός περιοχών όπου θα μπορούσε να υπάρχει πάγος.
Το ζήτημα είναι κρίσιμο για τις επόμενες σεληνιακές αποστολές. Πάγος που βρίσκεται κάτω από την επιφάνεια ή μέσα σε μόνιμα σκιασμένους κρατήρες θα μπορούσε μελλοντικά να αξιοποιηθεί όχι μόνο ως νερό για αστροναύτες, αλλά και ως πρώτη ύλη για παραγωγή οξυγόνου ή ακόμη και καυσίμου.
Στις δοκιμές, το AI μοντέλο των NASA και IBM μείωσε τα σφάλματα κατά περίπου 23% σε σύγκριση με το SwinV2-B, ένα vision model που χρησιμοποιείται συχνά ως benchmark σε εφαρμογές ανάλυσης εικόνας υψηλής ανάλυσης.
Η βελτίωση δεν αφορά απλώς ένα τεχνικό benchmark. Σε ένα περιβάλλον όπου ένα λανθασμένο συμπέρασμα μπορεί να επηρεάσει την επιλογή μιας περιοχής για εξερεύνηση ή ακόμη και για μελλοντική βάση, η μεγαλύτερη ακρίβεια αποκτά άμεση επιχειρησιακή σημασία.
Εντοπίζει κρατήρες με λιγότερα δεδομένα
NASA και IBM δοκίμασαν επίσης το μοντέλο στην αναγνώριση και ταξινόμηση κρατήρων.
Σε αυτή την περίπτωση, το νέο AI σύστημα ξεπέρασε το SwinV2-B κατά περίπου 19%, χρησιμοποιώντας παράλληλα μόλις τη μισή ποσότητα training data.
Η δυνατότητα αυτή μπορεί να αποδειχθεί ιδιαίτερα χρήσιμη για τη χαρτογράφηση της Σελήνης. Η επιφάνειά της μεταβάλλεται συνεχώς, έστω και σε πολύ διαφορετική χρονική κλίμακα από εκείνη της Γης, καθώς νέες προσκρούσεις δημιουργούν κρατήρες και αλλάζουν τη γεωμορφολογία συγκεκριμένων περιοχών.
Η αυτόματη αναγνώριση τέτοιων αλλαγών μπορεί να μειώσει σημαντικά τον χρόνο που απαιτείται για τη χειροκίνητη επεξεργασία τεράστιων όγκων δορυφορικών δεδομένων.
Γιατί η Σελήνη είναι δύσκολη για computer vision
Η εκπαίδευση του μοντέλου αποδείχθηκε ιδιαίτερα απαιτητική εξαιτίας ενός προβλήματος που δεν συναντάται στον ίδιο βαθμό στη Γη: το φως.
Η γήινη ατμόσφαιρα διαχέει την ηλιακή ακτινοβολία, δημιουργώντας ambient light που περιορίζει τις ακραίες αντιθέσεις ανάμεσα στις φωτεινές και τις σκοτεινές περιοχές μιας εικόνας.
Στη Σελήνη η κατάσταση είναι εντελώς διαφορετική.
Χωρίς σημαντική ατμόσφαιρα, οι σκιές μπορούν να είναι σχεδόν απόλυτα μαύρες και με πολύ έντονα όρια. Τα pixels που βρίσκονται μέσα σε αυτές μπορεί να περιέχουν ελάχιστη ή καθόλου οπτική πληροφορία.
Παράλληλα, η ίδια περιοχή μπορεί να εμφανίζεται εντελώς διαφορετική ανάλογα με τη γωνία του Ήλιου.
Ένας κρατήρας που σε μία εικόνα είναι εμφανής μπορεί σε μια επόμενη λήψη να καλύπτεται σε μεγάλο βαθμό από σκιά. Για τα computer vision models, αυτή η μεταβλητότητα δημιουργεί ένα ιδιαίτερα δύσκολο πρόβλημα αναγνώρισης.
Έπρεπε να αλλάξει ακόμη και ο τρόπος εκπαίδευσης
Οι ερευνητές χρειάστηκε να επανεξετάσουν ακόμη και βασικές τεχνικές που χρησιμοποιούνται παραδοσιακά στην εκπαίδευση vision models.
Σε πολλές περιπτώσεις, ένα AI μοντέλο εκπαιδεύεται αφαιρώντας τμήματα μιας εικόνας και προσπαθώντας στη συνέχεια να ανακατασκευάσει όσα λείπουν με βάση τα patterns που έχει μάθει.
Στην περίπτωση της Σελήνης, αυτή η προσέγγιση δεν λειτουργούσε αποτελεσματικά.
Ο λόγος είναι ότι μεγάλος αριθμός κρατήρων παρουσιάζει έντονες οπτικές ομοιότητες όταν παρατηρείται από τροχιά. Ένα μοντέλο θα μπορούσε επομένως να «μαντέψει» σωστά την εικόνα χωρίς να έχει μάθει πραγματικά τα γεωλογικά χαρακτηριστικά της συγκεκριμένης περιοχής.
Η λύση ήταν μια διαφορετική στρατηγική διαχωρισμού των δεδομένων, ώστε οι περιοχές που χρησιμοποιούνταν για training να είναι γεωγραφικά διακριτές από εκείνες που χρησιμοποιούνταν για testing.
Το dataset ίσως είναι εξίσου σημαντικό με το μοντέλο
Το μεγαλύτερο μακροπρόθεσμο αποτέλεσμα της συνεργασίας NASA και IBM μπορεί τελικά να μην είναι μόνο το ίδιο το AI model.
Μαζί με το NASA-IBM Lunar Foundation Model διατίθεται ένα εκτεταμένο open-source dataset με δεκάδες χιλιάδες εικόνες και δεδομένα διαφορετικών οργάνων.
Το υλικό περιλαμβάνει πληροφορίες από το Lunar Reconnaissance Orbiter και την αποστολή GRAIL της NASA, καθώς και δεδομένα από την ιαπωνική αποστολή SELENE.
Το σημαντικότερο στοιχείο είναι ότι οι διαφορετικές αυτές πηγές έχουν οργανωθεί σε ένα κοινό, spatially aligned σύστημα. Αυτό σημαίνει ότι διαφορετικοί τύποι δεδομένων που αφορούν την ίδια περιοχή της Σελήνης μπορούν να συσχετιστούν μεταξύ τους και να χρησιμοποιηθούν απευθείας για machine learning.
Για τους ερευνητές, αυτή η υποδομή μπορεί να έχει μεγαλύτερη διάρκεια ζωής από οποιοδήποτε συγκεκριμένο AI model.
Τα μοντέλα εξελίσσονται γρήγορα και αντικαθίστανται από νεότερες αρχιτεκτονικές. Ένα σωστά οργανωμένο επιστημονικό dataset, αντίθετα, μπορεί να χρησιμοποιείται επί χρόνια για την εκπαίδευση διαφορετικών συστημάτων.
Τι σημαίνει για τις επόμενες αποστολές στη Σελήνη
Η συνεργασία NASA και IBM δείχνει πώς αλλάζει σταδιακά ο ρόλος της AI στην επιστημονική έρευνα.
Μέχρι σήμερα, ένα μεγάλο μέρος της συζήτησης γύρω από την τεχνητή νοημοσύνη περιστρέφεται γύρω από chatbots, generative AI και εργαλεία παραγωγικότητας. Στην επιστήμη, όμως, αναπτύσσεται μια διαφορετική κατηγορία AI systems που λειτουργούν ως εργαλεία ανάλυσης τεράστιων όγκων παρατηρησιακών δεδομένων.
Για τη Σελήνη αυτό μπορεί να σημαίνει γρηγορότερο εντοπισμό πιθανών αποθεμάτων νερού, καλύτερη χαρτογράφηση κρατήρων, ανάλυση ηφαιστειακών σχηματισμών και πιο αποτελεσματική επιλογή περιοχών για μελλοντικές αποστολές.
Και καθώς η NASA προετοιμάζεται για μια περίοδο κατά την οποία οι άνθρωποι δεν θα επισκέπτονται απλώς τη Σελήνη αλλά θα επιχειρούν να παραμένουν εκεί για μεγαλύτερα χρονικά διαστήματα, η ακριβής κατανόηση του περιβάλλοντος αποκτά πολύ μεγαλύτερη αξία.
Η AI δεν αντικαθιστά τους επιστήμονες που μελετούν τη Σελήνη. Μπορεί όμως να λειτουργήσει ως ένας εξαιρετικά γρήγορος μηχανισμός αναζήτησης patterns μέσα σε δεδομένα που ένας άνθρωπος θα χρειαζόταν χρόνια για να εξετάσει.
Και ίσως αυτή να είναι τελικά η πραγματική σημασία του NASA-IBM Lunar Foundation Model: όχι ότι μια AI «εξερευνά» μόνη της τη Σελήνη, αλλά ότι μπορεί να βοηθήσει τους ανθρώπους να αποφασίσουν πολύ πιο γρήγορα πού αξίζει να κοιτάξουν.
