NASA e IBM presentano un modello open source per la scienza lunare basato su 17 anni di dati

Un modello open source per la scienza lunare

La NASA e IBM hanno rilasciato un modello open source per la scienza lunare, basato su 17 anni di dati di osservazione raccolti da orbiter. Il modello, parte del progetto “AI for Science” tra le due organizzazioni, è stato sviluppato in collaborazione con diversi istituti accademici. Il modello è stato addestrato su un corpus multimodale di dati, composto da circa 2 milioni di tile, che include immagini ad alta risoluzione, dati di elevazione e informazioni geometriche. L’obiettivo è rendere più accessibili e utilizzabili i dati lunari per i ricercatori, permettendo l’adattamento a diverse attività con pochi esempi etichettati.

Il modello è stato testato su diverse attività, tra cui la rilevazione di ghiaccio ai poli e la segmentazione di crateri. I risultati mostrano che il modello supera o si confronta con i baseline comuni e con un modello di controllo con inizializzazione casuale. L’approccio utilizzato permette al modello di apprendere le relazioni tra dati diversi, come immagini, dati di elevazione e geometria di imaging, prevedendo aree mascherate.

Un’innovazione per l’analisi dei dati lunari

Il modello è stato addestrato utilizzando un dataset di dati co-registrati, che include informazioni provenienti da diverse missioni, tra cui Lunar Reconnaissance Orbiter (LRO), GRAIL, Lunar Prospector e JAXA’s Kaguya/SELENE. I dati sono stati divisi geograficamente per evitare la contaminazione tra set di addestramento, validazione e test. L’approccio ha permesso di sfruttare al meglio le caratteristiche del suolo lunare, come la geometria della luce, che ha un impatto maggiore sull’aspetto della superficie rispetto alle sue proprietà reali. Il modello è in grado di adattarsi a diverse scale di immagini, grazie a una tecnica chiamata FlexiViT. Questa tecnica permette al modello di adattarsi a compiti con dimensioni di patch di immagine diverse senza dover essere riconfigurato. Il modello ha dimostrato un miglioramento significativo nella previsione del ghiaccio ai poli, riducendo l’errore del 22% rispetto al miglior baseline, SwinV2-B.

Un’alternativa alla misurazione fisica

I ricercatori sottolineano che il modello non sostituisce gli strumenti di misurazione fisica, ma agisce come una base riutilizzabile per compiti successivi. Il modello è stato testato su diversi compiti, tra cui la segmentazione di Irregular Mare Patches (IMPs), caratteristiche vulcaniche che sfidano i tempi di raffreddamento lunare. Benché il modello abbia mostrato un vantaggio in alcuni compiti, i ricercatori riconoscono che ulteriori test sono necessari per isolare il contributo di ogni innovazione.

Il modello è disponibile pubblicamente su Hugging Face e il codice è accessibile su GitHub. È integrato nel toolkit open source TerraTorch e include dataset e benchmark pronti per l’addestramento. Il modello fa parte del progetto “AI for Science” tra NASA e IBM, che ha visto la collaborazione tra le due organizzazioni dal 2022. In agosto 2023, hanno rilasciato il primo modello Prithvi, addestrato su immagini Landsat e Sentinel-2 per la mappatura di inondazioni e incendi.

Un passo avanti per la scienza lunare

Il modello rappresenta un passo avanti per la scienza lunare, permettendo ai ricercatori di sfruttare al meglio i dati accumulati negli anni. L’approccio basato su modelli di base offre una soluzione versatile per l’analisi di dati complessi, senza dover ricorrere a algoritmi specifici per ogni compito. La collaborazione tra NASA e IBM dimostra come l’AI possa contribuire a una comprensione più profonda del nostro satellite, supportando la ricerca scientifica in modo innovativo e accessibile.

• Il modello è stato addestrato su un dataset di 2 milioni di tile.
• Include dati da 11 modality e due scale spaziali.
• Ha superato o si è confrontato con i baseline comuni.
• È disponibile su Hugging Face e GitHub.