ناسا با همکاری آی‌بی‌ام مدل هوش مصنوعی متن‌باز برای کاوش ماه ساختند

ناسا و آی‌بی‌ام با معرفی یک مدل متن‌باز هوش مصنوعی گامی بلند در تحلیل داده‌های ماه، کشف منابع یخ و شناسایی دقیق دهانه‌های برخوردی برداشتند.

به گزارش سرویس اخبار هوش مصنوعی تکناک، ناسا و آی‌بی‌ام در اقدامی نوآورانه، مدل هوش مصنوعی متن‌باز NASA-IBM Lunar Foundation Model را معرفی کردند که قادر به تحلیل دقیق‌تر داده‌های سطح ماه، شناسایی منابع ارزشمند و درک بهتر ویژگی‌های ژئولوژیکی این جرم آسمانی است و این دستاورد با هدف تسهیل اکتشافات فضایی آینده و ارائه ابزارهای قدرتمند به دانشمندان منتشر شده است.

جهان در بهار گذشته شاهد یکی از رویدادهای تاریخی در اکتشافات فضایی بود؛ زمانی که ماموریت Artemis II ناسا، نخستین پرواز سرنشین‌دار به ماه پس از سال ۱۹۷۲، با موفقیت بر فراز این جرم آسمانی به پایان رسید. این ماموریت که در تاریخ ۶ آوریل آغاز شد، فضانوردان رید وایزمن، کریستینا کخ، ویکتور گلاور و جرمی هانسن را فراتر از هر انسانی که پیش از آن‌ها به فضا سفر کرده بود، هدایت کرد. هم‌اکنون که ناسا خود را برای ماموریت‌های بعدی Artemis و گسترش دامنه اکتشافات فضایی آماده می‌سازد، این سازمان فضایی در همکاری با شرکت آی‌بی‌ام، در حال توسعه و ارائه ابزارهای پیشرفته‌ای برای دانشمندان جهت مطالعه و تحلیل دقیق‌تر داده‌های مرتبط با ماه است.

دسترسی عمومی در پلتفرم Hugging Face

این همکاری منجر به معرفی NASA-IBM Lunar Foundation Model شده است؛ یک سیستم هوش مصنوعی متن‌باز که از طریق پلتفرم Hugging Face به طور عمومی در دسترس قرار گرفته است. دکتر خوان برنابه-مورنو، مدیر بخش تحقیقات آی‌بی‌ام در اروپا، بریتانیا و ایرلند، این مدل را به عنوان یک مدل پایه با قابلیت‌های متنوع توصیف می‌کند. نخستین و یکی از برجسته‌ترین کاربردهای این مدل، شناسایی دقیق مناطقی از سطح ماه است که احتمال وجود یخ در آن‌ها وجود دارد. این قابلیت می‌تواند نقشی کلیدی در برنامه‌ریزی ماموریت‌های آینده و ایجاد پایگاه‌های دائمی در ماه ایفا کند.

برای ارزیابی توانمندی‌های این مدل، ناسا و آی‌بی‌ام آزمایشی را ترتیب دادند. در این آزمایش، پیش‌بینی‌های مدل با نقشه‌ای مقایسه شد که با استفاده از یک گردش‌کار علمی منتشرشده، شامل داده‌های مربوط به عوارض زمین، اطلاعات حرارتی و سایر پارامترهای محیطی ماه، تهیه شده بود. سپس، عملکرد NASA-IBM Lunar Foundation Model با سیستم SwinV2-B، یک ابزار بینایی توسعه‌یافته توسط مایکروسافت برای پردازش تصاویر با وضوح بالا، مقایسه شد. نتایج این مقایسه نشان داد که مدل جدید ناسا-آی‌بی‌ام توانسته است خطاها را تا ۲۳ درصد کاهش دهد. انتخاب SwinV2-B به عنوان معیار مقایسه، به دلیل استفاده رایج از آن به عنوان یک نقطه مرجع استاندارد برای بسیاری از وظایف تحلیل تصویر در حوزه بینایی ماشین صورت گرفت.

علاوه بر شناسایی یخ، این مدل قابلیت‌های خود را در تشخیص و طبقه‌بندی دهانه‌های برخوردی نیز به اثبات رساند. در یکی از آزمایش‌های انجام‌شده، مدل جدید با استفاده از تنها نیمی از داده‌های آموزشی که معمولاً برای چنین مدل‌هایی نیاز است، عملکردی ۱۹ درصد بهتر از SwinV2-B از خود نشان داد. این توانایی در شناسایی دقیق ساختارهای سطحی، برای درک تاریخچه زمین‌شناسی ماه و ارزیابی خطرات احتمالی برای ماموریت‌های فضایی حیاتی است.

شناسایی محل برخورد موشک SpaceX

فرصتی برای تایید عملی قابلیت‌های این مدل، اخیراً فراهم شد؛ زمانی که یک موشک SpaceX Falcon 9 در تاریخ ۵ اوت به سطح ماه برخورد کرد. پس از این رویداد، آی‌بی‌ام تصویری از محل برخورد را در اختیار مدل قرار داد. این مدل به طرز شگفت‌انگیزی توانست محل برخورد را به عنوان یک دهانه جدید شناسایی کند، حتی با وجود اینکه این نقطه در نزدیکی یک دهانه از پیش موجود قرار داشت. برنابه-مورنو این دستاورد را «فوق‌العاده» توصیف کرده و اشاره داشت که مدل در نخستین تلاش خود، این شناسایی پیچیده را با موفقیت به سرانجام رسانده است.

آموزش این مدل هوش مصنوعی، چالش‌های منحصر به فردی را به همراه داشت که عمدتاً به ماهیت محیط ماه بازمی‌گردد. برنابه-مورنو توضیح می‌دهد که در مقایسه با زمین، تصاویر دریافتی از ماه فاقد جو هستند. در زمین، جو نور خورشید را پراکنده کرده و سایه‌ها را با نور محیطی پر می‌کند که این امر باعث نرم شدن لبه‌های سایه‌ها می‌شود. اما روی ماه، سایه‌ها دارای لبه‌های تیز و کاملاً سیاه هستند؛ به این معنی که پیکسل‌های موجود در مناطق سایه‌دار، اطلاعات نوری بسیار کمی را حمل می‌کنند. این وضعیت، فرآیند تحلیل تصویر را پیچیده‌تر می‌کند، زیرا نور خورشید در ساعات مختلف روز ماه، زاویه‌های متفاوتی دارد و باعث ایجاد سایه‌های متغیر می‌شود. در نتیجه، یک دهانه یا عارضه سطحی ممکن است در تصاویر مختلف، ظاهری کاملاً متفاوت داشته باشد.

چالش دیگر، مربوط به روش‌های معمول آموزش مدل‌های بینایی کامپیوتر بود. در بسیاری از این روش‌ها، بخشی از تصویر حذف شده و از مدل خواسته می‌شود تا بخش‌های گمشده را بر اساس الگوهایی که در طول فرآیند آموزش آموخته است، بازسازی کند. برنابه-مورنو توضیح می‌دهد که ممکن است تا ۹۰ درصد از یک دهانه حذف شود و مدل با استفاده از ۱۰ درصد باقی‌مانده، وظیفه بازسازی ۹۰ درصد دیگر را بر عهده بگیرد. این روش، همان‌طور که قابل پیش‌بینی بود، برای داده‌های ماه کارایی لازم را نداشت، زیرا بسیاری از دهانه‌های ماه، به‌ویژه آن‌هایی که از مدار مشاهده می‌شوند، شباهت زیادی به یکدیگر دارند.

نوآوری در روش‌های آموزش بینایی ماشین

تلاش‌های اولیه آی‌بی‌ام برای آموزش مدل به روش سنتی، با شکست مواجه شد. اما تیم تحقیقاتی موفق به ابداع یک راهکار خلاقانه شدند. برنابه-مورنو شرح می‌دهد که آن‌ها سطح ماه را به قطعاتی شبیه به قاچ‌های پرتقال تقسیم کردند و قطعات مورد استفاده برای آموزش را به طور کامل از قطعاتی که برای آزمایش مدل به کار می‌رفتند، جدا نمودند. این رویکرد، ثبات قابل توجهی را برای عملکرد مدل فراهم آورد و به آن اجازه داد تا الگوهای واقعی را بدون اتکا به داده‌های تکراری یا مشابه بیاموزد.

طبق گزارش انگجت، یکی از جنبه‌های هیجان‌انگیز این انتشار، ارائه یک مجموعه داده متن‌باز است که برای اولین بار در این مقیاس ارائه می‌شود. این مجموعه داده به سایر محققان اجازه می‌دهد تا از آن برای توسعه و بهبود مدل‌های هوش مصنوعی آینده برای مطالعات فضایی استفاده کنند. این مجموعه شامل ده‌ها هزار تصویر و داده‌های ابزاری ارزشمند از ماموریت‌های Lunar Reconnaissance Orbiter (LRO) و Gravity Recovery and Interior Laboratory (GRAIL) متعلق به ناسا، و همچنین داده‌های ماموریت SELENE ژاپن است.

برنابه-مورنو یکی از دلایل اصلی عدم وجود مدل‌های جامع و قدرتمند هوش مصنوعی برای ماه در گذشته را، عدم سازماندهی مناسب داده‌ها عنوان می‌کند. سازماندهی داده‌ها در این پروژه به معنای ایجاد یک شبکه هم‌افزا بود که در آن هر پیکسل از داده‌های تصویری با سایر حالت‌های داده‌ای که مدل می‌تواند برای پردازش خود از آن‌ها بهره ببرد، مطابقت داده شود. وی تاکید می‌کند که این امر به تنهایی یک مشارکت علمی عظیم محسوب می‌شود، چرا که علاوه بر خود مدل، جامعه علمی اکنون به یک مجموعه داده هم‌ثبت‌شده شامل بیش از دو میلیون نقطه داده دسترسی دارد. برنابه-مورنو در پایان این دیدگاه را مطرح می‌کند که اگرچه مدل‌های هوش مصنوعی ممکن است با گذشت زمان جایگزین شوند، اما این داده‌های بنیادی هستند که در نهایت صنعت هوش مصنوعی را شکل می‌دهند و ارزش پایدار آن را تضمین می‌کنند. این همکاری، گامی بلند در جهت درک عمیق‌تر و بهره‌برداری موثرتر از منابع و ویژگی‌های ماه برای نسل‌های آینده اکتشافات فضایی محسوب می‌شود.