Ahora, los investigadores pueden utilizar un modelo de IA de código abierto de IBM y la NASA, el recién lanzado Modelo de la Fundación Lunar NASA-IBM, para examinar décadas de observaciones lunares en busca de hielo, cráteres y terreno volcánico, en preparación para el regreso de personas a la superficie de la Luna.
El sistema está disponible para descargar gratis en Hugging Face, y su código completo se publicó en GitHub, según la NASA Science. Estudiar la superficie lunar siempre ha sido un proceso relativamente lento, con dos opciones: o bien revisar mapas e imágenes a mano, o entrenar un modelo de aprendizaje automático estrecho y de baja resolución para cada solicitud. Ambas opciones son costosas de ejecutar y a menudo no capturan el nivel de detalle fino que los científicos necesitan en su investigación, dijo IBM en su anuncio.
IBM hace el sistema gratuito en Hugging Face
El lanzamiento de un modelo base ayuda, aunque, porque así los investigadores pueden usar un modelo preentrenado para cada tarea nueva en lugar de construir uno desde cero cuando trabajan con una característica geológica diferente. El modelo lunar es la incorporación más reciente a la familia de modelos de ciencia abierta Prithvi de IBM, que ya abarca aplicaciones en análisis geoespacial, meteorología y heliophysics.
Juan Bernabe-Moreno, director de IBM Research Europe, Reino Unido e Irlanda, dijo que el nuevo sistema ofrece a los científicos una forma de analizar observaciones lunares a escala y detectar patrones que pueden ser difíciles de identificar al estudiar conjuntos de datos individuales. “El modelo ofrece una base para explorar la Luna a gran escala, conectando observaciones entre instrumentos y revelando patrones que no se ven con claridad cuando se estudian por separado”, dijo Bernabe-Moreno.
La NASA y IBM midieron el modelo frente a SwinV2-B, un sistema de visión entrenado por Microsoft ampliamente usado como referencia para el análisis de imágenes. El nuevo modelo redujo los errores en un 23% al localizar depósitos de hielo, y superó a SwinV2-B en un 19% al encontrar y clasificar cráteres, aunque se entrenó con la mitad de los datos. El artículo técnico de IBM informó una mejora del 3% en el rendimiento cuando el modelo se utilizó para identificar características volcánicas conocidas como Parches Irregulares de Mare (Irregular Mare Patches), y al mismo tiempo requirió menos ajustes finos.
El modelo se puso a prueba en vivo el 5 de agosto, cuando IBM lo alimentó con una imagen que mostraba el lugar del impacto dejado tras el choque de un cohete Falcon 9 de SpaceX contra la Luna. A pesar de que el nuevo impacto parecía casi directamente sobre un cráter existente, el modelo lo identificó correctamente como un cráter recién formado. El objetivo sigue siendo hacer posible una presencia humana sostenida en la Luna. Cartografiar regiones permanentemente en sombra cerca de los polos lunares sigue siendo un gran desafío, porque estas zonas se encuentran entre las más difíciles de observar en la Luna y podrían contener depósitos de hielo bajo la superficie.
IBM dijo que el hielo podría proporcionar agua y oxígeno para futuras bases lunares, además de aportar materias primas para el combustible de cohetes que podría respaldar misiones a Marte. Las organizaciones también dieron a conocer lo que llamaron el primer conjunto de datos unificado y listo para aprendizaje automático de la Luna. El conjunto de datos reúne más de 30 capas espaciales alineadas recopiladas por nueve instrumentos a lo largo de cuatro misiones lunares separadas.
Este conjunto de datos reúne imágenes del Lunar Reconnaissance Orbiter (LRO) de la NASA y de la misión de gravedad GRAIL, y añade datos del orbitador japonés SELENE/Kaguya. Bernabe-Moreno dijo que los aproximadamente dos millones de puntos de datos coregistrados podrían resultar la contribución duradera por encima del propio modelo. “Los datos son lo que realmente crea la industria de los modelos de IA”, afirmó. El lanzamiento del modelo de IA se basa en una colaboración que se remonta a más de cinco décadas con el programa Apolo.
El artículo “Después de que IBM se asocie con NASA para lanzar un modelo de IA construido con datos lunares” apareció primero en Coinfea.