Wat is er gebeurd
NASA en IBM lanceerden het Lunar , een openbaar beschikbaar AI-model op Hugging Face, ontworpen om maangegevens te analyseren voor het Artemis-programma. Het model, getraind op gegevens van negen instrumenten verspreid over vier missies, beweert tot 23% beter te presteren dan de bestaande methoden bij het identificeren van belangrijke geografische kenmerken zoals kraters en ijsafzettingen.
NASA en IBM hebben donderdag het Lunar gelanceerd, waardoor het beschikbaar is op het Hugging Face-platform. Volgens CNET is het model getraind op basis van decennia aan maanobservatiegegevens die door onderzoekers van beide organisaties zijn geselecteerd ter ondersteuning van het Artemis-programma.
Het model is ontworpen om datapatronen op schaal over verschillende instrumenten te identificeren, ter vervanging van de eerdere noodzaak voor wetenschappers om handmatig kaarten te onderzoeken of taakspecifieke machine learning-modellen met lage resolutie te gebruiken. IBM en NASA stellen dat het model tot 23% beter presteert dan veelgebruikte methoden bij het identificeren van belangrijke geografische kenmerken zoals kraters, vulkanische formaties en potentiële ijsafzettingen.
Naast het model hebben de organisaties de eerste open-source maandataset in zijn soort vrijgegeven, die tienduizenden kaarten en afbeeldingen samenbrengt die zijn verzameld door negen instrumenten tijdens vier maanmissies. Campbell Watson, senior onderzoeksmanager bij IBM Research, verklaarde dat open source het model de traditie van brede wetenschappelijke toegang en samenwerking voortzet.
Waarom het ertoe doet
Deze release biedt de wetenschappelijke gemeenschap een gedeelde, open-source basis voor maanonderzoek, waardoor het niet meer nodig is om voor elke specifieke taak modellen van nul af aan te bouwen. Door decennia aan gegevens samen te voegen in één toegankelijk hulpmiddel, versnelt het de identificatie van kritieke hulpbronnen zoals ijsafzettingen, die essentieel zijn voor het in stand houden van de menselijke aanwezigheid op de maan. Deze stap zet een lange traditie van brede wetenschappelijke toegang en samenwerking tussen de twee organisaties voort.
De release biedt een gedeelde basis voor de mondiale wetenschappelijke gemeenschap, waardoor onderzoekers kunnen voortbouwen op bestaand werk in plaats van voor elke specifieke maanvraag helemaal opnieuw nieuwe AI-modellen te creëren.
Door de nauwkeurigheid van de identificatie van geografische kenmerken te verbeteren, ondersteunt het model rechtstreeks de logistieke en wetenschappelijke vereisten van het Artemis-programma, met name bij het lokaliseren van hulpbronnen zoals ijsafzettingen die cruciaal zijn voor de toekomstige menselijke aanwezigheid op de maan.
Deze samenwerking benadrukt een significante verschuiving in de manier waarop ruimtevaartagentschappen AI inzetten, van geïsoleerde, taakspecifieke tools naar alomvattende, open-source basismodellen die kunnen worden aangepast voor een breed scala aan verkennende behoeften.
Interactief mechanisme: hoe het eigenlijk werkt
Ontdek interactief de onderliggende technologie achter deze ontwikkeling.
A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
Wat je nu moet bekijken
Onderzoekers zullen het model waarschijnlijk gaan aanpassen aan nieuwe maanvragen, wat mogelijk kan leiden tot nieuwe ontdekkingen op het gebied van het in kaart brengen van hulpbronnen. De prestaties van het model bij de planning van missies in de echte wereld, vergeleken met de gerapporteerde verbetering van 23% ten opzichte van eerdere methoden, zullen een belangrijke maatstaf zijn voor de praktische bruikbaarheid ervan in het Artemis-programma.
De adoptie van het Lunar door onafhankelijke onderzoeksgroepen en de toepassing ervan op nieuwe maanvragen die geen deel uitmaakten van de oorspronkelijke trainingsgegevens.
Onafhankelijke verificatie van de geclaimde prestatieverbetering van 23% ten opzichte van bestaande methoden bij het identificeren van geografische kenmerken van de maan.
Hoe de open-source en het model integreren met andere AI-inspanningen van NASA en IBM, zoals de Prithvi-familie van modellen voor weer- en aardobservatie, om een breder ecosysteem voor planetaire wetenschap te creëren.