IBM e NASA rendono disponibile il NASA-IBM Lunar Foundation Model, uno dei primi foundation model open source dedicati all’esplorazione scientifica della Luna. Accessibile sulla piattaforma Hugging Face, il modello è stato addestrato su osservazioni raccolte da strumenti e missioni differenti e nasce insieme a un dataset aperto che riunisce oltre 30 livelli di dati spazialmente allineati ottenuti da nove strumenti scientifici impiegati in quattro missioni spaziali.
Il modello mette in relazione osservazioni lunari di natura e risoluzione diverse e può essere adattato a più compiti scientifici, dalla ricerca di potenziali depositi di ghiaccio all’analisi delle formazioni legate alla storia vulcanica della Luna, fino al rilevamento dei crateri.
Decenni di osservazioni hanno prodotto petabyte di immagini, mappe e misurazioni mentre la superficie lunare continuava a essere modellata dalla formazione di crateri, dalla distribuzione dei depositi di ghiaccio e dalle tracce dell’attività vulcanica. Questi dati provengono però da strumenti con caratteristiche, risoluzioni e modalità di osservazione differenti e la loro analisi richiede ancora, in molti casi, l’esame manuale di mappe e immagini oppure modelli di machine learning specializzati in un singolo compito, con limiti di risoluzione, costi computazionali elevati e livelli di accuratezza non sempre sufficienti per riconoscere le caratteristiche della superficie.
Il NASA-IBM Lunar Foundation Model combina invece osservazioni multimodali e multi-risoluzione, utilizzando nello stesso sistema informazioni che descrivono proprietà differenti della superficie e del sottosuolo lunare e facendo emergere correlazioni tra dati raccolti da strumenti diversi.
Dove cercare il ghiaccio nelle regioni sempre in ombra
Uno degli impieghi riguarda le regioni permanentemente in ombra, tra gli ambienti lunari più difficili da osservare. Queste aree potrebbero contenere ghiaccio nel sottosuolo e quindi offrire una possibile fonte di acqua e ossigeno, risorse rilevanti per future basi lunari e per la produzione di carburante destinato anche a missioni verso Marte.
Per individuare le aree con maggiore probabilità di presenza di ghiaccio, il modello combina osservazioni di natura e risoluzione differenti e stima le zone della superficie lunare nelle quali potrebbe esserne presente. Nel confronto con SwinV2-B pre-addestrato su ImageNet, il NASA-IBM Lunar Foundation Model ha ottenuto una riduzione fino al 22% dell’errore RMSE nell’identificazione delle zone con il più elevato potenziale di presenza di ghiaccio.
Le Irregular Mare Patches e la storia del vulcanismo lunare
Un secondo campo di applicazione riguarda le Irregular Mare Patches, particolari formazioni vulcaniche studiate per ricostruire la storia del vulcanismo e l’evoluzione termica della Luna. La loro identificazione accurata assume rilievo anche per le future operazioni sulla superficie lunare.
Pur utilizzando etichette di addestramento non perfette, il Lunar Foundation Model riesce a rappresentare l’estensione di queste formazioni con una precisione superiore del 3% rispetto a SwinV2-B, mantenendo livelli di accuratezza comparabili e richiedendo meno risorse e costi inferiori di fine-tuning, cioè di adattamento del modello al compito specifico.
I crateri a risoluzione metrica, usando metà dei dati
La terza applicazione riguarda il rilevamento dei crateri, una delle principali fonti di informazione sulla storia geologica della Luna. Numero, distribuzione e caratteristiche dei crateri contribuiscono a determinare l’età dei diversi terreni, ricostruirne la geologia e ottenere indicazioni sulla composizione chimica delle regioni interne primordiali.
La loro mappatura serve anche a scegliere siti di atterraggio, individuare potenziali rischi come pendii ripidi e massi e pianificare infrastrutture destinate a rimanere sulla superficie lunare per lunghi periodi.
Il NASA-IBM Lunar Foundation Model può identificare, contestualizzare e classificare i crateri con risoluzione metrica, ottenendo risultati comparabili a quelli di SwinV2-B con maggiore efficienza e minori costi di adattamento.
A una risoluzione di contesto di circa 100 metri, il modello supera SwinV2-B di quasi il 19%, utilizzando soltanto la metà dei dati di addestramento.
Un solo dataset per nove strumenti e quattro missioni
Insieme al modello, IBM e NASA hanno costruito quello che presentano come il primo dataset lunare open source unificato per il machine learning capace di integrare informazioni multimodali e a risoluzioni differenti.
La raccolta contiene oltre 30 livelli spazialmente allineati, ricavati da nove strumenti scientifici utilizzati in quattro missioni spaziali, e comprende decine di migliaia di immagini e mappe relative a differenti proprietà geofisiche della Luna.
Tra le fonti indicate figurano il Lunar Reconnaissance Orbiter (LRO) della NASA e la missione GRAIL – Gravity Recovery and Interior Laboratory, insieme a dati complementari della missione giapponese SELENE/Kaguya della Japan Aerospace Exploration Agency (JAXA).
L’allineamento spaziale riunisce in corrispondenza delle stesse aree lunari dati raccolti da strumenti diversi, creando una rappresentazione multimodale della superficie e del sottosuolo pronta per l’impiego nelle tecniche di machine learning.
“Svelare i misteri della Luna richiede la capacità di apprendere da un volume straordinario di dati scientifici”, afferma Juan Bernabe-Moreno, direttore di IBM Research Europe, UK e Irlanda. Il NASA-IBM Lunar Foundation Model, prosegue, “offre agli scienziati una piattaforma di riferimento per esplorare la Luna su larga scala, collegando osservazioni provenienti da diversi strumenti, evidenziando correlazioni difficili da individuare singolarmente e mettendo a disposizione della comunità scientifica globale una base aperta su cui costruire nuove scoperte”.
Prithvi si estende dalla Terra alla Luna
Il Lunar Foundation Model prosegue la collaborazione tra IBM e NASA sull’impiego dell’intelligenza artificiale per trasformare grandi raccolte di dati scientifici in strumenti aperti per la ricerca ed entra nella famiglia Prithvi di foundation model aperti sviluppati da IBM e NASA.
La famiglia comprende modelli aperti dedicati all’osservazione geospaziale della Terra, alla meteorologia e all’eliofisica. Tra quelli già disponibili figura Prithvi-EO-2.0, dedicato all’Earth Observation; con il NASA-IBM Lunar Foundation Model, Prithvi comprende ora anche un modello per l’esplorazione scientifica della Luna.
Il rilascio open source del modello e del dataset associato mette a disposizione della comunità scientifica internazionale una base comune per sviluppare nuove applicazioni, adattare il modello ad altri problemi di ricerca e analizzare congiuntamente osservazioni lunari raccolte da strumenti e missioni differenti.
