NASA en IBM Research hebben een nieuw AI-model voor de maan openbaar gemaakt. Het open-source NASA-IBM Lunar Foundation Model is te downloaden via Hugging Face; de code staat op GitHub. Het model is getraind met 17 jaar aan gegevens van de Lunar Reconnaissance Orbiter en andere missies. Daarmee is het archief omgezet in een hulpmiddel dat wetenschappers kunnen aanpassen met slechts een paar gelabelde voorbeelden.
Wat het model kan
Het model verwerkt tegelijk beelden met een hoge resolutie (ongeveer 1 meter per pixel) en beelden met een grove resolutie (100 m per pixel). Ook gebruikt het de belichtingshoeken en de positie van de zon als expliciete invoer, zodat het echte kenmerken van het maanoppervlak beter van schaduwen kan onderscheiden. In tests was de foutmarge bij voorspellingen over poolijs tot 22% lager dan bij het beste basismodel. Bij het opsporen van kraters op grove resoluties was het model ongeveer 19% nauwkeuriger, terwijl het maar de helft van de gelabelde gegevens gebruikte.
Hoe het is gebouwd
Onderzoekers stelden een dataset samen met de naam SomBench, tot nu toe het grootste multimodale corpus van maangegevens waarvan de gegevens op elkaar zijn afgestemd. Het bevat bijna 2 miljoen ‘tegelbundels’ met 11 verschillende gegevenstypen, goed voor meer dan 30 uitgelijnde informatielagen van negen instrumenten op vier missies. Het model is vanaf nul getraind met FlexiViT, een techniek waarmee hetzelfde model verschillende formaten beeldfragmenten kan verwerken zonder opnieuw te trainen.
Waarom het ertoe doet
Voor planeetwetenschappers biedt het open model kant-en-klare AI waarmee ze ijs en kraters kunnen opsporen met minder handmatig gelabelde voorbeelden, wat onderzoek naar hulpbronnen op de maan kan versnellen. Voor wie toekomstige maanmissies volgt, kunnen betere ijskaarten helpen bepalen waar landers moeten landen of waar water kan worden gewonnen voor raketbrandstof. Het model vervangt echter geen directe metingen: de geografische coördinaten kunnen nog tientallen graden afwijken.
