ناسا با همکاری شرکت IBM از یک مدل هوش مصنوعی جدید و متن‌باز برای مطالعه ماه پرده‌برداری کرد؛ ابزاری که قرار است پژوهشگران را در تحلیل حجم بی‌سابقه داده‌های جمع‌آوری‌شده از قمر زمین طی دهه‌های گذشته یاری کند و مسیر تبدیل کلان‌داده‌ها به کشفیات علمی را هموار سازد.

بر اساس گزارش وب‌سایت Space، این مدل با عنوان «مدل پایه قمری ناسا-IBM» یا NASA-IBM Lunar Foundation Model توسعه یافته و هم‌اکنون به صورت آزاد و رایگان در اختیار جامعه علمی قرار دارد. انتشار این مدل در پلتفرم Hugging Face انجام شده و هر پژوهشگر یا تیم علمی می‌تواند بدون محدودیت از قابلیت‌های آن برای پردازش و تفسیر داده‌های مرتبط با ماه استفاده کند.

پاسخ به انباشت دهه‌ها داده قمری

کوین مورفی، مدیر ارشد داده‌های علمی و سرپرست بخش داده و هوش مصنوعی ناسا، با اشاره به سابقه طولانی این آژانس در مطالعه ماه تأکید کرده است که ناسا طی ده‌ها سال یک آرشیو علمی بی‌نظیر درباره ماه ایجاد کرده، اما جمع‌آوری داده تنها بخشی از مسیر پژوهش است. به گفته او، چالش اصلی امروز، دسترسی‌پذیر کردن و قابل استفاده کردن این داده‌های عظیم برای جامعه علمی است.

در همین راستا، ناسا تصمیم گرفته با تکیه بر هوش مصنوعی، فاصله میان داده خام و کشف علمی را کاهش دهد. مورفی می‌گوید هدف این است که استفاده از داده‌های علمی ناسا هرچه ساده‌تر و سریع‌تر شود و پژوهشگران به جای صرف ماه‌ها زمان برای پردازش دستی، بتوانند با کمک مدل‌های هوشمند به سراغ پرسش‌های مهم‌تر بروند.

نقش کلیدی مدارگرد شناسایی ماه

یکی از مهم‌ترین منابع داده برای آموزش و توسعه این مدل، مأموریت «مدارگرد شناسایی ماه» یا Lunar Reconnaissance Orbiter موسوم به LRO بوده است. این کاوشگر که بیش از ۱۷ سال در مدار ماه فعالیت کرده، به تنهایی حجم اطلاعاتی بیش از مجموع تمام مأموریت‌های سیاره‌ای دیگر ناسا تولید کرده است.

LRO طی این سال‌ها با تصویربرداری مداوم، یک موزاییک تقریباً کامل و با وضوح بالا از سطح ماه ایجاد کرده و مجموعه‌ای عظیم از داده‌های توپوگرافی، دمایی، طیفی و تصویری را در اختیار دانشمندان قرار داده است. همین مجموعه داده عظیم، پایه اصلی آموزش مدل جدید هوش مصنوعی ناسا و IBM بوده و به مدل امکان داده الگوهای سطحی، ساختارهای زمین‌شناختی و نشانه‌های محیطی ماه را با دقت بالا بیاموزد.

تحلیل دستی چنین حجمی از اطلاعات برای هر تیم پژوهشی، کاری بسیار زمان‌بر و پرهزینه است. مدل پایه قمری دقیقاً برای حل همین گلوگاه طراحی شده است؛ مدلی که می‌تواند در کسری از زمان، داده‌ها را دسته‌بندی، مقایسه و تفسیر کند.

مدل قمری چه کارهایی انجام می‌دهد؟

بر اساس اعلام ناسا، این مدل متن‌باز برای طیف گسترده‌ای از وظایف علمی مرتبط با ماه قابل استفاده است. از جمله مهم‌ترین کاربردهای آن می‌توان به موارد زیر اشاره کرد:

  • نقشه‌برداری خودکار دهانه‌های برخوردی: شناسایی، شمارش و طبقه‌بندی دهانه‌ها در مقیاس سراسری برای مطالعات سن‌سنجی و تاریخچه برخوردی ماه.
  • شناسایی عوارض آتشفشانی جوان: کشف نشانه‌های فعالیت‌های آتشفشانی اخیر که می‌تواند درک ما از تکامل حرارتی ماه را دگرگون کند.
  • مدل‌سازی پراکندگی یخ‌آب: پیش‌بینی و پهنه‌بندی مکان‌های احتمالی وجود یخ‌آب در نواحی سایه‌دار قطب‌های شمال و جنوب ماه؛ موضوعی حیاتی برای مأموریت‌های سرنشین‌دار آینده از جمله برنامه آرتمیس.
  • تسهیل پژوهش‌های میان‌رشته‌ای: فراهم کردن بستری واحد برای مقایسه داده‌های تصویری، ارتفاعی و طیفی و استخراج روابط پنهان میان آن‌ها.

متن‌باز بودن مدل، مزیت دیگری است که امکان سفارشی‌سازی آن را برای پروژه‌های خاص فراهم می‌کند. تیم‌های پژوهشی می‌توانند مدل را با داده‌های تکمیلی خود بازآموزی کنند یا آن را برای مأموریت‌های قمری رباتیک و مدارگردهای آینده تطبیق دهند.

ادامه همکاری راهبردی ناسا و IBM

همکاری ناسا و IBM در حوزه هوش مصنوعی علمی، به مدل قمری محدود نمی‌شود. این دو مجموعه پیش‌تر نیز مدل‌های مشابهی را توسعه داده بودند؛ از جمله مدلی متمرکز بر پایش زمین که برای تحلیل داده‌های ماهواره‌ای رصد زمین و تغییرات اقلیمی به کار می‌رود و همچنین مدلی در حوزه هلیوفیزیک برای مطالعه خورشید و هلیوسفر.

راهبرد کلان ناسا، توسعه خانواده‌ای از «مدل‌های پایه علمی» است که هر یک بر یک حوزه تخصصی متمرکز باشند اما از معماری و رویکرد مشترک بهره ببرند. این رویکرد باعث می‌شود دانش به‌دست‌آمده در یک حوزه، به سرعت به حوزه‌های دیگر نیز منتقل شود و هزینه توسعه کاهش یابد.

هوش مصنوعی، موتور جدید علوم سیاره‌ای

رونمایی از مدل پایه قمری بخشی از یک روند جهانی گسترده‌تر است. آژانس‌های فضایی دولتی و شرکت‌های خصوصی فعال در حوزه فضا در سراسر جهان به طور فزاینده‌ای به سراغ مدل‌های هوش مصنوعی می‌روند تا بهره‌وری علمی را افزایش دهند، هزینه تحلیل داده را پایین بیاورند و گردش کار پژوهش را بهینه کنند.

با رشد تصاعدی داده‌های حاصل از تلسکوپ‌ها، مدارگردها و سطح‌نشین‌ها، روش‌های سنتی تحلیل دیگر پاسخگو نیست. مدل‌هایی مانند مدل قمری ناسا-IBM نشان می‌دهند که چگونه می‌توان با ترکیب یادگیری ماشینی، بینایی رایانه‌ای و کلان‌داده، از دل میلیاردها پیکسل تصویر و اندازه‌گیری، به نقشه‌های دقیق، فرضیه‌های جدید و در نهایت مأموریت‌های هدفمندتر رسید.

انتشار رایگان این مدل در Hugging Face همچنین پیامی روشن برای جامعه علمی دارد: آینده اکتشاف ماه، مشارکتی و باز خواهد بود. هر آزمایشگاه دانشگاهی، استارت‌آپ فضایی یا گروه دانشجویی اکنون می‌تواند به همان ابزار هوشمندی دسترسی داشته باشد که دانشمندان ناسا از آن استفاده می‌کنند و سهم خود را در رمزگشایی از تاریخ، منابع و اسرار قمر زمین ایفا کند.