Chuyện gì đã xảy ra
NASA và IBM đã ra mắt Mô hình Quỹ Mặt trăng, một mô hình AI có sẵn công khai trên Hugging Face được thiết kế để phân tích dữ liệu mặt trăng cho chương trình Artemis. Mô hình, được đào tạo dựa trên dữ liệu từ chín công cụ trong bốn nhiệm vụ, tuyên bố sẽ vượt trội hơn các phương pháp hiện có tới 23% trong việc xác định các đặc điểm địa lý quan trọng như miệng núi lửa và các mỏ băng.
NASA và IBM đã ra mắt Mô hình Quỹ Mặt trăng vào thứ Năm, cung cấp nó trên nền tảng Hugging Face. Theo CNET, mô hình này đã được đào tạo dựa trên dữ liệu quan sát mặt trăng trong nhiều thập kỷ được các nhà nghiên cứu từ cả hai tổ chức lựa chọn để hỗ trợ chương trình Artemis.
Mô hình này được thiết kế để xác định các mẫu dữ liệu trên quy mô lớn trên các công cụ khác nhau, thay thế nhu cầu trước đây của các nhà khoa học là kiểm tra bản đồ theo cách thủ công hoặc sử dụng các mô hình học máy dành riêng cho nhiệm vụ, độ phân giải thấp. IBM và NASA tuyên bố rằng mô hình này vượt trội hơn các phương pháp được sử dụng rộng rãi tới 23% trong việc xác định các đặc điểm địa lý quan trọng như miệng núi lửa, sự hình thành núi lửa và các mỏ băng tiềm năng.
Cùng với mô hình, các tổ chức đã phát hành bộ dữ liệu mặt trăng nguồn mở đầu tiên thuộc loại này, tập hợp hàng chục nghìn bản đồ và hình ảnh được thu thập bởi chín công cụ trong bốn sứ mệnh mặt trăng. Campbell Watson, giám đốc nghiên cứu cấp cao tại IBM Research, đã tuyên bố rằng việc cung cấp nguồn mở cho mô hình này sẽ tiếp tục truyền thống tiếp cận và cộng tác khoa học rộng rãi.
Tại sao nó quan trọng
Bản phát hành này cung cấp cho cộng đồng khoa học một nền tảng nguồn mở, dùng chung cho nghiên cứu mặt trăng, loại bỏ nhu cầu xây dựng mô hình từ đầu cho từng nhiệm vụ cụ thể. Bằng cách tổng hợp dữ liệu hàng thập kỷ vào một công cụ có thể truy cập duy nhất, nó tăng tốc việc xác định các tài nguyên quan trọng như trữ lượng băng, rất cần thiết để duy trì sự hiện diện của con người trên mặt trăng. Động thái này tiếp tục truyền thống lâu đời về tiếp cận và hợp tác khoa học rộng rãi giữa hai tổ chức.
Bản phát hành cung cấp nền tảng chung cho cộng đồng khoa học toàn cầu, cho phép các nhà nghiên cứu xây dựng dựa trên công việc hiện có thay vì tạo ra các mô hình AI mới từ đầu cho mọi câu hỏi cụ thể về mặt trăng.
Bằng cách cải thiện độ chính xác của việc nhận dạng đặc điểm địa lý, mô hình này hỗ trợ trực tiếp các yêu cầu khoa học và hậu cần của chương trình Artemis, đặc biệt là trong việc xác định các tài nguyên như mỏ băng rất quan trọng cho sự hiện diện của con người trên mặt trăng trong tương lai.
Sự hợp tác này nêu bật sự thay đổi đáng kể trong cách các cơ quan không gian tận dụng AI, chuyển từ các công cụ biệt lập, dành riêng cho nhiệm vụ sang các mô hình nền tảng nguồn mở, toàn diện có thể được điều chỉnh cho nhiều nhu cầu khám phá.
Cơ chế tương tác: Nó thực sự hoạt động như thế nào
Khám phá công nghệ cơ bản đằng sau sự phát triển này một cách tương tác.
A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
Xem gì tiếp theo
Các nhà nghiên cứu có thể sẽ bắt đầu điều chỉnh mô hình này cho các câu hỏi về mặt trăng mới, có khả năng dẫn đến những khám phá mới trong việc lập bản đồ tài nguyên. Hiệu suất của mô hình trong việc lập kế hoạch sứ mệnh trong thế giới thực so với mức cải thiện 23% được báo cáo so với các phương pháp trước đó sẽ là thước đo chính cho tiện ích thực tế của nó trong chương trình Artemis.
Việc áp dụng Mô hình Quỹ Mặt trăng bởi các nhóm nghiên cứu độc lập và ứng dụng của nó cho các câu hỏi về mặt trăng mới không nằm trong dữ liệu đào tạo ban đầu.
Xác minh độc lập về cải thiện hiệu suất 23% được tuyên bố so với các phương pháp hiện có trong việc xác định các đặc điểm địa lý của mặt trăng.
Cách bộ dữ liệu và mô hình nguồn mở tích hợp với các nỗ lực AI khác của NASA và IBM, chẳng hạn như dòng mô hình Prithvi để quan sát thời tiết và trái đất, để tạo ra một hệ sinh thái rộng lớn hơn cho khoa học hành tinh.