ناسا با همکاری IBM Research و چندین مؤسسه دانشگاهی، یک مدل بنیادین هوش مصنوعی برای مطالعه ماه توسعه داده است. مدل موسوم به NASA-IBM Lunar Foundation Model یکی از نخستین مدل‌های متن‌باز هوش مصنوعی است که به‌طور اختصاصی برای تحقیقات مربوط به ماه طراحی شده و می‌تواند نحوه تحلیل داده‌های سطح ماه را تغییر دهد. این مدل با استفاده از حجم عظیمی از داده‌های جمع‌آوری‌شده توسط مدارگرد شناسایی ماه ناسا (LRO) آموزش داده شده و کد کامل آن برای استفاده و آزمایش عمومی در دسترس پژوهشگران قرار گرفته است. هدف اصلی این پروژه، استفاده از هوش مصنوعی برای تبدیل حجم عظیم داده‌های فضایی به اطلاعات قابل استفاده برای تحقیقات علمی و اکتشافات آینده است.

مدل بنیادین ناسا چگونه کار می‌کند؟

مدل‌های بنیادین برخلاف مدل‌های سنتی که برای هر وظیفه باید از ابتدا آموزش داده شوند، ابتدا با حجم بسیار زیادی از داده‌ها آموزش می‌بینند. سپس می‌توان آنها را برای انجام وظایف مختلف با مقدار نسبتاً کمی داده تخصصی آماده کرد. مدل ناسا و IBM بر اساس حدود ۲ میلیون قطعه تصویر از سطح ماه آموزش داده شده است. این مجموعه شامل بیش از یک میلیون تصویر با وضوح یک متر و حدود ۹۶۴ هزار تصویر چندطیفی با وضوح ۱۰۰ متر است. علاوه بر داده‌های LRO، اطلاعات تصویری و توپوگرافی مأموریت‌هایی مانند GRAIL و Lunar Prospector ناسا و مأموریت SELENE ژاپن نیز در توسعه این مدل مورد استفاده قرار گرفته‌اند.

کاربرد هوش مصنوعی در نقشه‌برداری ماه

یکی از مهم‌ترین کاربردهای این مدل، نقشه‌برداری سریع‌تر از سطح ماه است. پژوهشگران می‌توانند از آن برای شناسایی و اندازه‌گیری دهانه‌های برخوردی استفاده کنند. تعداد و اندازه دهانه‌های سطح ماه اطلاعات مهمی درباره سن سطح آن و تاریخچه منظومه شمسی در اختیار دانشمندان قرار می‌دهد. هوش مصنوعی می‌تواند بخش زیادی از فرایند شناسایی این ساختارها را خودکار کند و به پژوهشگران اجازه دهد زمان بیشتری را صرف تفسیر نتایج علمی کنند. این مدل همچنین می‌تواند در شناسایی ساختارهای آتشفشانی موسوم به Irregular Mare Patches مورد استفاده قرار گیرد. این ساختارها ظاهراً نسبتاً جوان هستند و می‌توانند اطلاعات جدیدی درباره تاریخچه حرارتی و روند سرد شدن ماه ارائه دهند. 

کمک به پیدا کردن یخ در قطب‌های ماه

یکی دیگر از کاربردهای مهم NASA-IBM Lunar Foundation Model، بررسی یخ در مناطق قطبی ماه است. برخی مناطق ماه که برای مدت بسیار طولانی در سایه دائمی قرار دارند، دمای بسیار پایینی دارند و می‌توانند یخ را برای میلیاردها سال حفظ کنند. مدل هوش مصنوعی می‌تواند به دانشمندان کمک کند مناطقی را که احتمال وجود یخ پایدار در سطح یا زیر سطح آنها بیشتر است، شناسایی و نقشه‌برداری کنند. این قابلیت علاوه بر اهمیت علمی، برای اکتشاف آینده ماه نیز اهمیت زیادی دارد؛ زیرا منابع آب می‌توانند در مأموریت‌های آینده فضایی کاربرد داشته باشند.

عملکرد بهتر هوش مصنوعی در تحقیقات ماه

بر اساس ارزیابی‌های انجام‌شده، مدل ناسا و IBM در مجموعه‌ای از وظایف با چند مدل قدرتمند دیگر برابری کرده یا عملکرد بهتری داشته است. این مدل در نقشه‌برداری دهانه‌ها و شناسایی ساختارهای آتشفشانی عملکرد قابل‌مقایسه‌ای داشته و در برآورد پایداری یخ قطبی ماه برتری مشخصی نشان داده است. ناسا همچنین مدل، مجموعه داده‌های آموزشی و بنچمارک‌های آن را به شکل متن‌باز منتشر کرده است تا پژوهشگران سراسر جهان بتوانند نتایج را بازتولید، مدل را آزمایش و نسخه‌های جدیدتری از آن توسعه دهند.

این پروژه بخشی از همکاری گسترده‌تر ناسا و IBM در زمینه هوش مصنوعی برای علم است. این همکاری پیش‌تر به توسعه مدل‌هایی برای مشاهده زمین و پیش‌بینی پدیده‌های خورشیدی نیز منجر شده است. ترکیب هوش مصنوعی و علوم فضایی می‌تواند یکی از مسیرهای مهم نسل آینده اکتشافات علمی باشد. مدل جدید ناسا نشان می‌دهد که AI تنها برای کاربردهای تجاری و روزمره نیست و می‌تواند با تحلیل حجم عظیمی از داده‌های فضایی، به دانشمندان در درک بهتر ماه، تاریخچه منظومه شمسی و برنامه‌ریزی مأموریت‌های آینده کمک کند.

منبع خبر: science.nasa