Προσθήκη του -.gr ως προτεινόμενη πηγή στην Google
Μετά την ιστορική επιτυχία της αποστολής Artemis II την περασμένη άνοιξη, όπου οι αστροναύτες (Reid Wiseman, Christina Koch, Victor Glover και Jeremy Hansen) έφτασαν πιο μακριά από τη Γη από οποιονδήποτε άλλον άνθρωπο μετά το 1972 πραγματοποιώντας τη σεληνιακή τους πτήση, η διαστημική έρευνα μπαίνει πλέον σε μια εντελώς νέα εποχή. Καθώς η NASA προετοιμάζεται πυρετωδώς για τις επόμενες αποστολές του προγράμματος Artemis, η τεχνολογία αιχμής γίνεται ο πολυτιμότερος σύμμαχός της.
Σε μια στρατηγική συνεργασία με την IBM, η αμερικανική διαστημική υπηρεσία κυκλοφόρησε το NASA-IBM Lunar Foundation Model. Πρόκειται για ένα πρωτοποριακό, open-source σύστημα τεχνητής νοημοσύνης, το οποίο είναι πλέον ελεύθερα διαθέσιμο για λήψη μέσω της δημοφιλούς πλατφόρμας Hugging Face, προσφέροντας στους επιστήμονες παγκοσμίως νέα, πανίσχυρα εργαλεία για τη λεπτομερή μελέτη της σεληνιακής επιφάνειας.
Εντοπισμός πάγου και κρατήρων με εντυπωσιακή ακρίβεια
Ο Δρ. Juan Bernabé-Moreno, διευθυντής της IBM Research για την Ευρώπη, εξήγησε ότι ως “foundation model”, το σύστημα αυτό μπορεί να εκτελέσει πολλαπλές και εξαιρετικά περίπλοκες εργασίες. Αρχικά, αποδείχθηκε ιδιαίτερα ικανό στον εντοπισμό περιοχών στην επιφάνεια της Σελήνης όπου ενδέχεται να κρύβεται πάγος, ένας απολύτως κρίσιμος πόρος για την επιβίωση των μελλοντικών διαστημικών αποικιών. Κατά τη διάρκεια των δοκιμών, οι επιδόσεις του συγκρίθηκαν με το SwinV2-B, ένα προηγμένο σύστημα όρασης (vision system) εκπαιδευμένο από τη Microsoft. Το μοντέλο των NASA και IBM κατάφερε να μειώσει τα σφάλματα κατά 23%.
Όσον αφορά την αναγνώριση και ταξινόμηση των κρατήρων, το νέο σύστημα ξεπέρασε το SwinV2-B κατά 19%, χρησιμοποιώντας μάλιστα τα μισά δεδομένα εκπαίδευσης (training data). Μια πρακτική απόδειξη των εντυπωσιακών ικανοτήτων του σημειώθηκε όταν ένας πύραυλος SpaceX Falcon 9 συνετρίβη στο φεγγάρι στις 5 Αυγούστου. Όταν η ομάδα τροφοδότησε το AI μοντέλο με μια εικόνα της πρόσκρουσης, αυτό αναγνώρισε αμέσως και με απόλυτη ακρίβεια το σημείο της συντριβής ως έναν ολοκαίνουργιο κρατήρα, παρόλο που η περιοχή επικαλυπτόταν στενά με έναν ήδη υπάρχοντα, παλαιότερο σχηματισμό.
Οι μοναδικές προκλήσεις: Σκιές και “φέτες πορτοκαλιού”
Η διαδικασία εκπαίδευσης αυτού του προηγμένου AI ήταν γεμάτη τεράστιες τεχνικές προκλήσεις. Στη Γη, η ατμόσφαιρα διαχέει το ηλιακό φως, γεμίζοντας τις σκιές με φως περιβάλλοντος και “μαλακώνοντας” τις άκρες τους. Αντιθέτως, στο απόλυτο κενό της Σελήνης, οι σκιές είναι κατάμαυρες (pitch-black) και αιχμηρές σαν μαχαίρι, με αποτέλεσμα τα σκιασμένα pixels στις φωτογραφίες να μην περιέχουν καμία απολύτως πληροφορία. Επιπλέον, λόγω της τεράστιας ομοιότητας των κρατήρων όταν φωτογραφίζονται από τροχιά, οι παραδοσιακές μέθοδοι εκπαίδευσης computer vision (όπου το AI καλείται να ανακατασκευάσει το 90% μιας εικόνας έχοντας μόνο το 10%) κατέληξαν σε απόλυτη καταστροφή
Η ερευνητική ομάδα έλυσε αυτόν τον γρίφο με μια δημιουργική προσέγγιση: χώρισαν ψηφιακά τα δεδομένα της Σελήνης σε “σφήνες” (wedges), ακριβώς όπως κόβουμε ένα πορτοκάλι. Διαχωρίζοντας πλήρως τα δεδομένα εκπαίδευσης από τα δεδομένα δοκιμής βάσει αυτών των αυστηρών γεωγραφικών κομματιών, εξασφάλισαν την απαραίτητη συνοχή για τη σωστή εκμάθηση του μοντέλου.
Ένα μνημειώδες dataset για το μέλλον της διαστημικής έρευνας
Ίσως ο πιο σημαντικός λόγος για τον οποίο η επιστημονική κοινότητα είναι ενθουσιασμένη με αυτή την ανακοίνωση, είναι το γεγονός ότι η NASA και η IBM κυκλοφόρησαν ταυτόχρονα ένα μοναδικό στο είδος του, open-source dataset για να το χρησιμοποιήσουν άλλοι ερευνητές στο μέλλον. Αυτή η τεράστια βάση πληροφοριών ενσωματώνει δεκάδες χιλιάδες εικόνες και δεδομένα οργάνων από κορυφαίες αποστολές όπως το Lunar Reconnaissance Orbiter (LRO) και το GRAIL της NASA, καθώς και το SELENE της Ιαπωνίας.
Όπως επισημαίνει ο Bernabé-Moreno, η δημιουργία ενός τόσο ισχυρού σεληνιακού μοντέλου δεν ήταν εφικτή μέχρι σήμερα, επειδή τα δεδομένα δεν ήταν οργανωμένα με τον σωστό τρόπο. Η ομάδα δημιούργησε ένα κολοσσιαίο πλέγμα με περισσότερα από δύο εκατομμύρια σημεία δεδομένων, όπου κάθε pixel εικόνας αντιστοιχεί σε άλλες μορφές πληροφοριών (modalities) που μπορεί να διαβάσει το AI. Καθώς τα μοντέλα τεχνητής νοημοσύνης αναπόφευκτα αντικαθίστανται από νεότερα, αυτό το γιγαντιαίο, απόλυτα οργανωμένο dataset αποτελεί την πραγματική, διαχρονική κληρονομιά που θα τροφοδοτήσει και θα γιγαντώσει τη βιομηχανία των διαστημικών AI μοντέλων τα επόμενα χρόνια.
