ناسا و IBM یک مدل هوش مصنوعی منبع باز برای کاوش در ماه ایجاد کردند

ناسا و IBM با معرفی یک مدل هوش مصنوعی منبع باز گام بزرگی در تجزیه و تحلیل داده های ماه، کشف منابع یخ و شناسایی دقیق دهانه های برخوردی برداشته اند.

به گزارش سرویس هوش مصنوعی تکناک، ناسا و آی‌بی‌ام در اقدامی نوآورانه مدل پایه قمری ناسا-آی‌بی‌ام را معرفی کردند که یک مدل هوش مصنوعی منبع باز است که توانایی تجزیه و تحلیل دقیق‌تر داده‌های سطح ماه، شناسایی منابع ارزشمند و درک بهتر ویژگی‌های زمین‌شناسی این جرم آسمانی را دارد و این دستاورد با هدف تسهیل‌کننده‌های فضایی و ارائه ابزارهای قدرتمند به آینده‌شناسان منتشر شده است.

بهار گذشته، جهان شاهد یکی از رویدادهای تاریخی در اکتشاف فضا بود. هنگامی که ماموریت آرتمیس ۲ ناسا، اولین پرواز سرنشین دار به ماه از سال ۱۹۷۲، با موفقیت بر فراز این جرم آسمانی فرود آمد. این ماموریت که در 6 آوریل آغاز شد، فضانوردان رید وایزمن، کریستینا کوخ، ویکتور گلاور و جرمی هانسن را دورتر از هر انسان قبلی برد. اکنون که ناسا در حال آماده شدن برای ماموریت های بعدی آرتمیس و گسترش دامنه اکتشافات فضایی است، این آژانس فضایی با همکاری IBM در حال توسعه و ارائه ابزارهای پیشرفته برای دانشمندان برای مطالعه و تجزیه و تحلیل داده های مرتبط با ماه با جزئیات بیشتر است.

دسترسی عمومی در پلتفرم Hugging Face

این همکاری منجر به معرفی مدل بنیاد ماه ناسا-IBM شده است. یک سیستم هوش مصنوعی منبع باز که از طریق پلتفرم Hugging Face در دسترس عموم قرار گرفته است. دکتر Juan Bernabe-Moreno، مدیر IBM Research Europe، بریتانیا و ایرلند، این مدل را به عنوان یک مدل پایه با قابلیت های مختلف توصیف می کند. اولین و یکی از بارزترین کاربردهای این مدل، شناسایی دقیق مناطقی از سطح ماه است که احتمال وجود یخ در آنها وجود دارد. این قابلیت می تواند نقش کلیدی در برنامه ریزی ماموریت های آینده و ایجاد پایگاه های دائمی در ماه داشته باشد.

برای ارزیابی قابلیت های این مدل، ناسا و آی بی ام آزمایشی را ترتیب دادند. در این آزمایش، پیش‌بینی‌های مدل با نقشه‌ای که با استفاده از یک گردش کار علمی منتشر شده، شامل داده‌های ویژگی‌های زمین، اطلاعات حرارتی و سایر پارامترهای محیطی ماه تهیه شده بود، مقایسه شد. سپس، عملکرد مدل بنیاد ماه ناسا-IBM با سیستم SwinV2-B، یک ابزار بینایی که توسط مایکروسافت برای پردازش تصاویر با وضوح بالا توسعه یافته است، مقایسه شد. نتایج این مقایسه نشان داد که مدل جدید NASA-IBM توانسته 23 درصد خطاها را کاهش دهد. انتخاب SwinV2-B به عنوان معیار به دلیل استفاده رایج از آن به عنوان یک نقطه مرجع استاندارد برای بسیاری از وظایف تجزیه و تحلیل تصویر در زمینه بینایی ماشین انجام شد.

این مدل علاوه بر شناسایی یخ، قابلیت های خود را در تشخیص و طبقه بندی دهانه های برخوردی نیز به اثبات رساند. در یک آزمایش، مدل جدید با استفاده از تنها نیمی از داده‌های آموزشی که معمولاً برای چنین مدل‌هایی نیاز است، 19 درصد بهتر از SwinV2-B عمل کرد. این توانایی برای شناسایی دقیق ساختارهای سطحی برای درک تاریخ زمین شناسی ماه و ارزیابی خطرات احتمالی برای ماموریت های فضایی بسیار مهم است.

شناسایی محل سقوط موشک اسپیس ایکس

فرصتی برای بررسی عملی قابلیت های این مدل اخیرا فراهم شده است. زمانی که موشک فالکون 9 اسپیس ایکس در 5 آگوست به سطح ماه برخورد کرد. پس از این رویداد، IBM تصویری از محل برخورد را در اختیار مدل قرار داد. به طور شگفت انگیزی، این مدل توانست محل برخورد را به عنوان یک دهانه جدید شناسایی کند، حتی اگر در نزدیکی یک دهانه از پیش موجود قرار داشت. برناب مورنو این دستاورد را “فوق العاده” توصیف کرد و خاطرنشان کرد که این مدل در اولین تلاش خود این شناسایی پیچیده را با موفقیت به پایان رساند.

آموزش این مدل هوش مصنوعی چالش های منحصر به فردی را به همراه داشت که عمدتاً به دلیل ماهیت محیط ماه بود. برناب مورنو توضیح می دهد که در مقایسه با زمین، تصاویر گرفته شده از ماه فاقد جو هستند. در زمین، جو نور خورشید را پراکنده می کند و سایه ها را با نور محیط پر می کند که لبه های سایه ها را نرم می کند. اما در ماه، سایه ها لبه های تیز و کاملا سیاه هستند. این بدان معناست که پیکسل ها در مناطق سایه دار اطلاعات نوری بسیار کمی را حمل می کنند. این وضعیت فرآیند تجزیه و تحلیل تصویر را پیچیده می کند، زیرا نور خورشید در زمان های مختلف روز در ماه زوایای مختلفی دارد و سایه های متغیری ایجاد می کند. در نتیجه، یک دهانه یا عارضه سطحی ممکن است در تصاویر مختلف کاملاً متفاوت به نظر برسد.

چالش دیگر مربوط به روش های معمول آموزش مدل های بینایی کامپیوتری بود. در بسیاری از این روش‌ها، بخشی از تصویر حذف می‌شود و از مدل خواسته می‌شود تا قسمت‌های گمشده را بر اساس الگوهایی که در طول فرآیند آموزش آموخته‌اند، بازسازی کند. Bernabe-Moreno توضیح می دهد که تا 90 درصد از یک دهانه ممکن است برداشته شود و این مدل وظیفه بازسازی 90 درصد دیگر را با استفاده از 10 درصد باقی مانده بر عهده می گیرد. این روش، به طور قابل پیش بینی، برای داده های ماه به خوبی کار نمی کند زیرا بسیاری از دهانه های ماه، به ویژه آنهایی که از مدار دیده می شوند، بسیار شبیه هستند.

نوآوری در روش های آموزش بینایی ماشین

تلاش های اولیه IBM برای آموزش این مدل به روش سنتی شکست خورد. اما تیم تحقیقاتی موفق شدند راه حلی خلاقانه ارائه دهند. Bernabe-Moreno توضیح می دهد که آنها سطح ماه را به قطعاتی شبیه به گوه های نارنجی تقسیم کردند و قطعات مورد استفاده برای تمرین را کاملا از قطعات مورد استفاده برای آزمایش مدل جدا کردند. این رویکرد ثبات قابل توجهی را برای عملکرد مدل فراهم کرد و به آن اجازه داد تا الگوهای واقعی را بدون تکیه بر داده های تکراری یا مشابه یاد بگیرد.

بر اساس این گزارش اندرویدیکی از جنبه های هیجان انگیز این نسخه، ارائه یک مجموعه داده منبع باز است که برای اولین بار در این مقیاس ارائه می شود. این مجموعه داده به سایر محققان اجازه می دهد تا از آن برای توسعه و بهبود مدل های هوش مصنوعی آینده برای مطالعات فضایی استفاده کنند. این مجموعه شامل ده‌ها هزار تصویر و داده‌های ابزار ارزشمند از مدارگرد شناسایی ماه ناسا (LRO) و ماموریت‌های بازیابی جاذبه و آزمایشگاه داخلی (GRAIL) و همچنین داده‌های مأموریت SELENE ژاپن است.

برناب مورنو یکی از دلایل اصلی فقدان مدل های هوش مصنوعی جامع و قدرتمند برای ماه در گذشته را عدم سازماندهی مناسب داده ها عنوان می کند. سازماندهی داده ها در این پروژه به معنای ایجاد یک شبکه افزودنی است که در آن هر پیکسل از داده های تصویر با سایر حالت های داده مطابقت داده می شود که مدل می تواند از آن برای پردازش استفاده کند. او تأکید می کند که این به تنهایی یک سهم علمی بزرگ است، زیرا علاوه بر خود مدل، جامعه علمی اکنون به یک مجموعه داده مشترک ثبت شده حاوی بیش از دو میلیون نقطه داده دسترسی دارد. Bernabé-Moreno با این دیدگاه نتیجه می‌گیرد که اگرچه مدل‌های هوش مصنوعی ممکن است در طول زمان جایگزین شوند، اما این داده‌های اساسی است که در نهایت صنعت هوش مصنوعی را شکل می‌دهد و ارزش پایدار آن را تضمین می‌کند. این همکاری گام بزرگی به سوی درک عمیق تر و بهره برداری مؤثرتر از منابع و ویژگی های ماه برای نسل های آینده اکتشافات فضایی است.