NASA og IBM lanserer gratis AI som finner månens vannis 22% mer nøyaktig

Å finne vannis på Månen er et av de vanskeligste problemene innen planetarisk vitenskap. Isen er ikke jevnt fordelt, den ligger gjemt i permanent skyggelagte kratere ved polene, og å identifisere den fra bane rundt Månen krever at man skiller svake spektralsignaler fra instrumentstøy. IBMs og NASAs Lunar Foundation Model er designet spesifikt for dette problemet.

Lunar Foundation Model er en åpen kildekode-AI trent på mer enn to millioner bilder fra fem månesonder: Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya og andre. Den er tilgjengelig på Hugging Face og GitHub gjennom IBMs TerraTorch geospatiale rammeverk, helt gratis.

I benchmark-tester identifiserer modellen vannisforekomster 22 % mer nøyaktig enn tidligere metoder. Den finner også månekratere 19 % mer presist. Merkverdig nok oppnår den denne ytelsen med halvparten så mye merket treningsdata som sammenlignbare modeller krever – en viktig egenskap for månevitenskap, der merkede datasett er dyre å produsere.

Den praktiske verdien ligger i ressurskartlegging for Artemis-programmet. NASA planlegger å etablere en varig menneskelig tilstedeværelse nær Månens sørpol, der vannis kan omdannes til drikkevann, oksygen og rakettdrivstoff. Å vite hvor isen faktisk er, og hvor mye av den som finnes, påvirker direkte valg av landingssteder og infrastrukturplanlegging.

Modellen er utgitt under en åpen lisens fordi både IBM og NASA bidrar til den gjennom offentlig finansiert forskning. At den er fritt tilgjengelig, betyr at forskere ved universiteter, romfartsorganisasjoner og private selskaper kan bruke, evaluere og forbedre den uten lisenshindringer. TerraTorch, IBMs rammeverk som den kjører på, håndterer den underliggende geospatiale datapipelinen.

Forbedringen på 22 % er et benchmark-resultat – en sammenligning mot andre modeller på et standardisert testdatasett, ikke en måling fra et levende operativt oppdrag. Om Lunar Foundation Model vil forbedre faktisk beslutningstaking i oppdrag, avhenger av hvor godt benchmark-forholdene gjenspeiler ekte måneobservasjonsdata, som varierer med banegeometri, instrumentkalibrering og solinnstrålingsvinkler. Uavhengig validering av grupper som ikke er tilknyttet IBM eller NASA, er ennå ikke publisert.

Lunar Foundation Model er tilgjengelig på Hugging Face og GitHub. IBM og NASA har ikke satt en tidslinje for å integrere modellen i aktiv Artemis-oppdragsplanlegging.

Tagger: kunstig intelligens, nasa, IBM, Lunar Foundation Model, månforskning