Η NASA και η IBM έφτιαξαν ένα ανοικτό μοντέλο τεχνητής νοημοσύνης που βοηθά τους ερευνητές να εξερευνούν τον τεράστιο όγκο δεδομένων από τη Σελήνη. Το NASA-IBM Lunar Foundation Model δεν είναι ένας «ψηφιακός αστροναύτης», αλλά ένα εργαλείο που μπορεί να κάνει την ανάλυση της σεληνιακής επιφάνειας ταχύτερη και πιο προσιτή.
Ένα μοντέλο για τον σεληνιακό «φάκελο» δεδομένων
Η NASA έχει συγκεντρώσει δεδομένα από δεκαετίες αποστολών και μελετών. Μόνο το Lunar Reconnaissance Orbiter (LRO) έχει δημιουργήσει έναν τεράστιο όγκο παρατηρήσεων· σύμφωνα με την ανακοίνωση της υπηρεσίας, τα δεδομένα του ξεπερνούν εκείνα όλων των άλλων πλανητικών αποστολών της NASA μαζί.
Το νέο μοντέλο εκπαιδεύτηκε κυρίως σε δεδομένα της αποστολής LRO, η οποία εδώ και 17 χρόνια καταγράφει τη σεληνιακή επιφάνεια και έχει συμβάλει στη δημιουργία σχεδόν πλήρους μωσαϊκού εικόνων υψηλής ανάλυσης. Η διάθεσή του ως open-source μοντέλου στο Hugging Face επιτρέπει σε ερευνητές να το δοκιμάσουν και να το προσαρμόσουν χωρίς να ξεκινήσουν από μηδενική βάση.
Από τους κρατήρες στον πάγο
Η αξία του μοντέλου βρίσκεται στις εργασίες που μπορεί να επιταχύνει. Η NASA αναφέρει ως παραδείγματα τη χαρτογράφηση κρατήρων, τον εντοπισμό νεαρών ηφαιστειακών χαρακτηριστικών και την υπόδειξη πιθανών περιοχών με υδάτινο πάγο κοντά στους σεληνιακούς πόλους.
Αυτό δεν σημαίνει ότι η AI αντικαθιστά την επιστημονική ερμηνεία. Μπορεί, όμως, να λειτουργήσει ως φίλτρο και βοηθός: να εντοπίζει μοτίβα σε petabytes δεδομένων, να προτείνει περιοχές για λεπτομερέστερη μελέτη και να μειώνει τον χρόνο που χρειάζεται μέχρι μια υπόθεση να ελεγχθεί από τους ειδικούς.
Γιατί μετρά η ανοικτή πρόσβαση
Η NASA και η IBM έχουν ήδη συνεργαστεί σε μοντέλα για την παρατήρηση της Γης και την ηλιοφυσική. Το σεληνιακό μοντέλο εντάσσεται σε αυτή την ευρύτερη προσπάθεια να γίνουν τα επιστημονικά δεδομένα πιο εύκολα στην εξερεύνηση και την αξιοποίηση.
Η ανοικτή διάθεση μπορεί να βοηθήσει πανεπιστήμια, μικρές ερευνητικές ομάδες και μελλοντικές αποστολές να δουλέψουν πάνω σε κοινό εργαλείο. Παράλληλα, χρειάζεται προσοχή: ένα μοντέλο που έχει μάθει από συγκεκριμένα σύνολα δεδομένων μπορεί να έχει περιορισμούς, ενώ οι προτάσεις του πρέπει να επιβεβαιώνονται με ανεξάρτητες παρατηρήσεις και γεωλογική γνώση.
Η πρακτική υπόσχεση είναι σαφής: όσο αυξάνονται τα δεδομένα από τη Σελήνη, τόσο πιο σημαντικό γίνεται να υπάρχουν εργαλεία που μετατρέπουν τον όγκο τους σε ελέγξιμες επιστημονικές ερωτήσεις. Το NASA-IBM Lunar Foundation Model δεν προσφέρει από μόνο του νέες ανακαλύψεις, αλλά μπορεί να μικρύνει την απόσταση ανάμεσα στην καταγραφή μιας επιφάνειας και στην κατανόησή της.