ناسا و آی‌بی‌ام مدل پایه هوش مصنوعی را برای علوم قمری راه‌اندازی کردند

ناسا در حال آوردن هوش مصنوعی به مطالعه ماه است و به پژوهشگران کمک می‌کند تا روش تحلیل سطح ماه را متحول کنند. در یک همکاری مستمر با مرکز تحقیقات آی‌بی‌ام و چندین نهاد دانشگاهی، ناسا «مدل پایه قمری ناسا-آی‌بی‌ام» را راه‌اندازی کرده است که یکی از نخستین مدل‌های هوش مصنوعی متن‌باز ساخته شده به طور خاص برای علوم قمری محسوب می‌شود. این مدل که عمدتاً بر اساس داده‌های مدارگرد شناسایی ماه (LRO) ناسا آموزش دیده است، به صورت عمومی در Hugging Face برای استفاده همه میزبانی می‌شود و پایگاه کد کامل آن برای آزمایش و تجربه در GitHub در دسترس است.

مدل پایه قمری ناسا-آی‌بی‌ام از نسل بعدی علوم قمری حمایت می‌کند و به پژوهشگران کمک می‌کند تا حجم عظیمی از داده‌ها را به سرعت تحلیل کنند و درک بهتری از سطح ماه داشته باشند. با استفاده از این مدل به عنوان یک ابزار نقشه‌برداری، پژوهشگران می‌توانند استراتژی‌های عملیاتی را برای ارزیابی سطح ناهموار ماه، درک گذشته زمین‌شناسی آن و برنامه‌ریزی برای تحقیقات آینده قمری به سرعت توسعه دهند.

«ناسا دهه‌ها صرف ساختن یک رکورد علمی فوق‌العاده از ماه کرده است، اما جمع‌آوری داده تنها بخشی از کار است»، به گفته کوین مورفی، مدیر ارشد داده‌های علمی و سرپرست موقت اداره کل داده و هوش مصنوعی در مقر ناسا در واشنگتن. «ما همچنین باید داده‌ها را برای کاوش و استفاده دانشمندان آسان‌تر کنیم. مدل پایه قمری ناسا-آی‌بی‌ام نشان می‌دهد چه چیزی ممکن است وقتی هوش مصنوعی را به پتابایت‌ها داده علمی ناسا می‌آوریم. این فرصتی واقعی است که ما با هوش مصنوعی می‌بینیم: تبدیل داده‌های مقیاس بزرگ به کشفیات جدید.»

برخلاف مدل‌های سنتی که نیازمند ساخت و آموزش الگوریتم‌های تخصصی از صفر برای وظایف خاص هستند، مدل‌های پایه بر روی مجموعه داده‌های عظیم و بدون برچسب پیش‌آموزش دیده‌اند. دانش گسترده‌ای که از طریق پیش‌آموزش کسب می‌کنند، به آن‌ها اجازه می‌دهد تا با تنظیم دقیق سریع، در چندین حوزه علمی تعمیم یابند و مدل‌های پایه را هم انعطاف‌پذیر و هم کارآمد در شتاب بخشیدن به تحقیقات علمی کنند.

مدیر ارشد داده‌های علمی ناسا و سرپرست موقت مدیر ارشد داده / مدیر ارشد هوش مصنوعی

داده‌های جمع‌آوری شده توسط LRO ناسا در طول ۱۷ سال گذشته برای آموزش این مدل پایه بسیار مناسب بود زیرا اکثر سطح ماه را با جزئیات پوشش می‌دهد. داده‌های تولید شده از مأموریت LRO بزرگ‌تر از تمام سایر مأموریت‌های سیاره‌ای ناسا به صورت ترکیبی است و موزاییکی تقریباً یکپارچه و با وضوح بالا از کل ماه را ثبت می‌کند. مدل ناسا-آی‌بی‌ام بر روی حدود ۲ میلیون کاشی تصویری از این مجموعه داده آموزش دیده است که شامل بیش از ۱ میلیون تصویر دوربین با وضوح بالا با رزولوشن ۱ متر و نزدیک به ۹۶۴,۰۰۰ تصویر چندطیفی با رزولوشن ۱۰۰ متر است. این مدل همچنین بر روی تصاویر ماه با وضوح بالا و داده‌های توپوگرافی از چندین مأموریت دیگر مانند GRAIL (آزمایشگاه بازیابی جاذبه و درونی ناسا)، کاوشگر ماه ناسا و کاوشگر سِلِنولوژیکال و مهندسی آژانس اکتشاف فضایی ژاپن (JAXA) آموزش دیده است.

از آنجا که مدل پایه از قبل بر روی این مجموعه داده پیش‌آموزش دیده است، دانشمندان سیاره‌ای می‌توانند مدل را برای بسیاری از وظایف مختلف تحقیقات قمری مانند نقشه‌برداری دهانه‌ها، شناسایی ویژگی‌های آتشفشانی جوان و تخمین مکان‌هایی که ممکن است یخ در نزدیکی قطب‌های ماه وجود داشته باشد، فقط با استفاده از مقادیر کمی داده برچسب‌دار تطبیق دهند. برای پژوهشگرانی که یخ قطبی ماه را مطالعه می‌کنند، مدل ناسا-آی‌بی‌ام می‌تواند به آن‌ها کمک کند تا تخمین بزنند لکه‌های یخ احتمالاً در کجاها روی سطح و زیر سطح پایدار هستند. مناطق تاریکی مانند مناطق سایه‌دار دائمی ماه به اندازه کافی سرد باقی می‌مانند تا یخ را برای میلیاردها سال به دام بیندازند و حفظ کنند. مطالعه این مناطق بینشی درباره تاریخ ماه ارائه می‌دهد و فرصتی برای نقشه‌برداری منابع قابل استفاده بالقوه برای اکتشافات فضایی آینده فراهم می‌کند.

در حالی که تصور می‌شود ماه دیگر فعالیت آتشفشانی ندارد، زمانی فرآیندهای زمین‌شناسی پویایی را تجربه کرده است. برای پژوهشگرانی که آتشفشان‌شناسی قمری را مطالعه می‌کنند، مدل ناسا-آی‌بی‌ام شناسایی ویژگی‌های آتشفشانی غیرعادی را که به نام لکه‌های دریایی نامنظم شناخته می‌شوند، تسریع می‌کند. از آنجا که این ساختارها نسبتاً جوان به نظر می‌رسند، خط زمانی تثبیت شده برای خنک شدن ماه را به چالش می‌کشند و نقشه‌برداری از آن‌ها می‌تواند به دانشمندان کمک کند تا درک دقیق‌تری از تکامل حرارتی ماه کنار هم بچینند.

این مدل همچنین می‌تواند ویژگی‌های سطحی مانند دهانه‌ها را کارآمدتر از روش‌های دستی نقشه‌برداری کند. هر دهانه توسط یک برخورد تشکیل می‌شود، بنابراین شمارش و اندازه‌گیری دهانه‌ها برای تعیین سن سطح ماه و بازسازی تاریخ منظومه شمسی ضروری است. مدل پایه به تسریع فرآیند شناسایی و اندازه‌گیری دهانه‌ها کمک می‌کند و به دانشمندان اجازه می‌دهد تا بر تفسیر یافته‌ها و تعیین پیامدهای آن‌ها برای اکتشاف تمرکز کنند.

به طور کلی، این مدل عملکرد یا بهتر از چندین مدل پایه قوی دیگر را در تمام وظایف ارزیابی شده مطابقت داد یا فراتر رفت و نتایج قابل مقایسه‌ای در نقشه‌برداری دهانه‌ها و قطعه‌بندی لکه‌های دریایی نامنظم حاصل کرد، در حالی که مزیت واضحی در تخمین پایداری یخ قطبی نشان داد.

مدل پایه قمری ناسا-آی‌بی‌ام بخشی از استراتژی دفتر مدیر ارشد داده‌های علمی آژانس برای هوش مصنوعی در علم است — یک همکاری بزرگ‌تر و مستمر بین ناسا و آی‌بی‌ام که هدف آن استفاده از هوش مصنوعی پیشرفته برای کاوش سیاره ما و منظومه شمسی است. این مدل به مجموعه رو به رشدی از مدل‌های هوش مصنوعی توسعه یافته از طریق این مشارکت می‌پیوندد، از جمله:

• مدل‌های Prithvi: خانواده‌ای از مدل‌ها که بر روی داده‌های مشاهده زمین پیش‌آموزش دیده‌اند و برای پشتیبانی از کاربردهایی مانند پایش بلایا، نقشه‌برداری سیل، پیش‌بینی عملکرد محصول و پیش‌بینی طوفان طراحی شده‌اند.
• مدل Surya: یک مدل فیزیک خورشیدی که بر روی داده‌های مشاهده خورشیدی با وضوح بالا آموزش دیده است تا پدیده‌های آب و هوای فضایی مانند شعله‌های خورشیدی را که می‌توانند شبکه‌های برق و عملیات ماهواره‌ای را مختل کنند، پیش‌بینی کند.

در داخل ناسا، تیم Impact AI در مرکز پرواز فضایی مارشال آژانس در هانتسویل، آلاباما، با دانشمندان در بخش علوم سیاره‌ای مدیریت مأموریت علمی آژانس، مرکز پرواز فضایی گادرد ناسا در گرینبلت، مریلند، و مرکز تحقیقات امس ناسا در سیلیکون ولی کالیفرنیا برای ساخت مدل ناسا-آی‌بی‌ام همکاری کرد. این مدل نمونه‌ای از علم باز در عمل است که متخصصان را از ناسا، صنعت و دانشگاه گرد هم می‌آورد تا داده‌های خام را به منبعی برای کشفیات قمری تبدیل کند. برای حمایت از جامعه جهانی پژوهش، تیم مجموعه داده‌های پیش‌آموزش آماده یادگیری ماشین و مجموعه‌های معیار جامع را همراه با مدل منتشر کرد که در جعبه ابزار متن‌باز TerraTorch ادغام شده است. پشتیبانی شده توسط مقاله همراه موجود در Hugging Face، این انتشار باز، تحقیقات قابل تکرار را تضمین می‌کند و دانشمندان را در سراسر جهان مجهز می‌کند تا مدل‌های هوش مصنوعی را برای آینده اکتشاف ماه بسازند، مقایسه کنند و بهبود بخشند.

تیم علمی، که توسط مقر ناسا تشکیل شده بود، شامل متخصصانی از انجمن تحقیقات فضایی دانشگاهی در هانتسویل، آلاباما؛ مؤسسه SETI در سیلیکون ولی، کالیفرنیا؛ دانشگاه مریلند، شهرستان بالتیمور در کاتونزویل، مریلند؛ دانشگاه هاوارد در واشنگتن دی‌سی؛ بخش علوم سیاره‌ای مدیریت مأموریت علمی ناسا؛ امس ناسا؛ و گادرد ناسا بود.

برای اطلاعات بیشتر درباره استراتژی ناسا برای توسعه مدل‌های پایه برای علم، مراجعه کنید به:

https://science.nasa.gov/artificial-intelligence-science