NASA e IBM rilasciano un modello open source per la scienza lunare basato su 17 anni di dati

Un modello AI per la scienza lunare

La NASA e IBM hanno rilasciato un modello open source per la scienza lunare, basato su 17 anni di dati raccolti da orbiter. Il modello, parte del progetto “AI for Science” tra le due organizzazioni, è stato sviluppato in collaborazione con diversi istituti accademici. L’obiettivo è rendere più accessibili e utili i dati lunari per la ricerca scientifica, soprattutto per l’analisi di immagini, dati di elevazione e geometria d’immagine. Il modello è stato addestrato su un corpus multimodale di dati, composto da circa 2 milioni di tile, provenienti da diverse missioni e strumenti. Il team ha spiegato che il modello è stato addestrato da zero, non fine-tuned, e che il dataset include dati da 11 modality e due scale spaziali.

Il modello è stato addestrato su un dataset di 2 milioni di tile, provenienti da 11 modality e due scale spaziali.

Un’approccio diverso per l’analisi dei dati

Il modello, chiamato NASA-IBM Lunar Foundation Model, si distingue per l’approccio di addestramento. Non è stato fine-tuned su compiti specifici, ma è stato addestrato da zero su un dataset di grandi dimensioni, co-registrato e multimodale. Questo permette al modello di adattarsi a diversi compiti con pochi esempi etichettati. Il team ha spiegato che il modello riceve come input le condizioni di illuminazione, invece di doverle dedurre dai pixel grezzi. Questo approccio ha permesso di migliorare la capacità di interpretare le immagini e di catturare dettagli significativi. Il modello scompone le immagini, i dati di elevazione e la geometria d’immagine in token e impara le loro relazioni predizzendo le parti nascoste. Il modello scompone le immagini e i dati in token per imparare le loro relazioni.

Risultati promettenti in diversi compiti

Il modello ha dimostrato prestazioni competitive o superiori rispetto a baseline comuni e a un modello di controllo con inizializzazione casuale. In particolare, ha mostrato un miglioramento del 22% nella previsione dei depositi di ghiaccio ai poli lunari, rispetto al miglior baseline SwinV2-B. Inoltre, ha superato il 19% in alcuni compiti di rilevamento di crateri su larga scala. Il modello è in grado di adattarsi a diversi livelli di dettaglio grazie a una tecnica chiamata FlexiViT, che permette al modello di gestire immagini di diverse risoluzioni senza dover essere rientrato. Il modello è stato testato su compiti come la segmentazione di Irregular Mare Patches (IMPs), caratterizzati da una complessità elevata. Il modello ha un vantaggio nel rilevamento di depositi di ghiaccio ai poli lunari.

Un’alternativa alla misura fisica

I ricercatori hanno chiarito che il modello non sostituisce gli strumenti di misura fisica, ma agisce come una base riutilizzabile per compiti successivi. Il modello è disponibile su Hugging Face e il codice è su GitHub, insieme a dataset e benchmark pronti per l’uso. Il progetto fa parte del programma “AI for Science” tra NASA e IBM, che ha visto la collaborazione iniziare nel 2022. Il modello è parte di una famiglia crescente di modelli open source, come il Prithvi, rilasciato nel 2023 per l’analisi di immagini satellitari in America. Il modello è stato addestrato su dati provenienti da missioni come Lunar Reconnaissance Orbiter (LRO), GRAIL, Lunar Prospector e JAXA’s Kaguya/SELENE.

Il modello è stato addestrato su dati da 17 anni di osservazioni lunari.