סוכנות החלל NASA וחברת IBM פרסמו באופן חינמי מודל בינה מלאכותית מבוסס קוד פתוח שנועד לסייע למדענים לנתח את פני השטח של הירח, כולל הערכות באשר למקומות בהם ייתכן שהקרח המים היציב יוכל להישאר לאורך זמן בסביבת הקטבים של הירח. מודל זה, הנקרא מודל יסוד של נאס"א-IBM ללונאר, הוכרז ב-10 בספטמבר וזמין כעת בפלטפורמת Hugging Face עם הקוד המלא שלו ב-GitHub. נאס"א מתארת אותו כאחד מהמודלים הראשונים בקוד פתוח שנבנו במיוחד למדע הלונרה.
השימוש המעשי המרכזי במודל הוא בזיהוי משאבים. IBM מציינת כי הקרח שנמצא על הירח מעיד על קיימות של מים וחמצן—משאבים החיוניים לבסיס חקר ירחי עתידי וליצור דלק לטילים. ידע באשר למקומות בהן הקרח עשוי להישאר יציב עוזר לתכנני השיגור לתעדף את אזורי הנחיתה והכלים שיימתנו באזורים שבהם הקרח עשוי לקיים תנאים מתאימים, לפני שהצוותים יגיעו.
גם השחרור הזה תורם למשפחת מודלי המדע של נאס"א ו-IBM שכבר כוללת מודלים לתצפית על כדור הארץ ומזג אוויר בחלל, שעוסקים בנושאים המשפיעים על חיי היומיום—כגון מיפוי שיטפונות, ניטור גידולים ותחזית של סופות שמש. אלו כלים שמתחברים ישירות לחיים, ומסוגלים לשפר את ההיערכות והבטיחות שלנו על כדור הארץ ומחוצה לו.
הודלף על פי נתוני לוויין ירחיים קודמים למעלה משני עשורים
לפי נאס"א, המודל אומן בעיקר באמצעות נתוני הלוויין לונאר ריקונסנס אובירטר שהחל לייעל ולמפות את רוב פני השטח של הירח במשך 17 שנים. נפח הנתונים שלו גדול יותר מכל שאר משימות החלל של נאס"א ביחד. תהליך האימון התבסס על כ-2 מיליון גושי תמונות, כולל יותר מ-1 מיליון תמונות ממצלמות ברזולוציה של מטר אחד וקרוב ל-964,000 תמונות מרובים ספקטרלית ברזולוציה של 100 מטר.
הצוות גם למד מנתוני תצפיות ומיפויים משני משימות של נאס"א—GRAIL ו-Lunar Prospector—וממומחי JAXA עם משימת סליונה, הידועה גם בשם קאגויה. IBM מציינת שהחברה בנתה מערך נתונים משולב, מוכן ללמידת מכונה, המורכב מיותר מ-30 שכבות מארבעה שדות של תשעה מכשירים מעשר משימות שונות—הדאטה הראשון מסוגו בקוד פתוח של הירח.
קוויקי מרפי, קצין הנתונים המדעיים הראשי של נאס"א וראש מנהל הנתונים והבינה המלאכותית הר זמני, מציין כי מודלים בסיסיים מתאמנים מראש על כמויות גדולות של נתונים ללא תוויות—מה שמאפשר למחקרים להתאים את המודלים למשימות חדשות על ידי שימוש בכמויות קטנות יותר של נתונים מתויגים. זה חוסך זמן ומשאבים רבים לעומת בניית אלגוריתם חדש לכל שאלה מדעית.
קרח מקוטב, תופעות געשיות צעירות והשברים חדשים
אזורים צלולים קבוע near הקטבים של הירח נשארים קרירים מספיק כדי ללכוד ולשמר קרח במשך מיליארדי שנים, על פי נאס"א. המודל מאפשר להעריך היכן הקרח עשוי להישאר יציב על פני השטח ומב beneathיו. תמונות השוואה של נאס"א מראות ארבעה אתרים קרובים למונס מואטון, הסמוך לקוטב הדרומי, בהן נשמרים דפוסים עדינים במפת פוטנציאל לקרח.
המודל יכול גם לזרז את זיהוי הפיצולים בתולדות העתיקות של הירח, תופעות געשיות צעירות המאתגרות את ההנחות הקיימות על תהליך הקירור של הירח. בנוסף, הוא יכול לסייע למיפוי שברים חדשים, שמים להם סימון ומדדים כדי לקבוע את תאריך פני השטח של הירח. נאס"A משתמשת במידע זה גם לקביעת אזורי נחות והימנעות מזליגות מסוכנות בנחיתה.
במבחן אחד, המודל זיהה שבר חדש ליד שבעת השברים של איינשטיין, לאחר שפיצוץ של רכיב של רכב חלל SpaceX פגע במקום, באמצעות תמונה שלא הוכנסה לאימון מראש. נאס"א מציינת כי הגישה הזו עשויה לסייע באיתור פגיעות טבעיות ושינויים על פני השטח—ככל שההבדלים בתאורה בין מסלולי המודלים משתנים, ייתכן גם שיהיו השפעות על היכולת לזהות שברים קטנים.
המומחה גואן ברנאבה-מורנו, מנהל מחקר IBM באירופה, מוסיף כי זהו כלי חשוב שמאפשר לחוקרים לזהות במהירות תופעות חדשות ולפתח הבנה טובה יותר של פני השטח של הירח.
הערכת ביצועים ובעדויות מדעיות
הנתונים על הביצועים של המודל מבוססים על דוח טכני שפרסמו צוות הפיתוח יחד עם המודל. IBM מציינת כי המודל הציג שיפור של עד 22 אחוז בדיוק בזיהוי אזורים פוטנציאליים לקרח ירחי ביחס למודל baseline נפוץ, וכ-19 אחוז טוב יותר במיפוי שברים ברזולוציה של 100 מטר, תוך שימוש במחצית מכמות הנתונים שנדרשה לאימון. נאס"א מוסיפה כי המודל הצליח להשיג תוצאות שוות או טובות יותר ביחס למודלים מתחרים במגוון משימות, עם יתרון מובהק בהערכת יציבות הקרח הפולרי ואיזון תוצאות במיפוי שברים ותופעות געשיות צעירות.
חשוב להדגיש שהערכות אלה מבוססות על דוחות טכניים שנכתבו על ידי חוקרי נאס"א ו-IBM, ושניהם מציינים כי הן לא עברו תהליך ביקורת עמיתים עצמאית. מיפוי הפוטנציאל לקרח אינו גילוי קרח בפועל, אלא הערכה של הסיכויים לשימור הקרח. זיהוי של קרח אמיתי דורש עדיין שימוש בכלי חישה אופטיים, חיישנים ממעגלים מסלוליים, או רכב רובוטי על פני השטח. בנוסף, המודל מוגבל לנתונים שאימן עליו—הן תוצאותיו תלויות באיכויות ובמידע שנמצא בידיו.
מחקרים אקדמיים חיצוניים ולא תלויים שיבחנו את ביצועי המודל טרם פורסמו. בדיקות נוספות, שמתאפשרות הודות לפרסום הפתוח, יבדקו עד כמה המודל מצליח ביישומים שלא נבחנו קודם לכן.
כלים חופשיים לחוקרים, סטודנטים ומביטי ירח
המודל זמין להורדה חינם, ועם זאת, ההורדה והשימוש בו דורשים מיומנות בלמידת מכונה ומשאבי מחשוב מספקים. לכן, המשתמשים העיקריים הם חוקרים, צוותי אוניברסיטה וסטודנטים מתקדמים. נאס"א וידעה כי שיתוף כל הנתונים גם תאפשר למשתמשים לבחון את המודל במגוון הקשרים מדעיים, תוך קידום פיתוחים עתידיים בעולם חקר הירח.
צוות ה-Impact AI של נאס"א במרכז החלל מארשל פיתח את המודל בשותפות עם מרכזי נאס"א בגודרד ו-Ames וגם עם שותפים אקדמיים כאוניברסיטאות המחקר במים'ארה, מכון Ceti, אוניברסיטת מרילנד, בולטימור, והאוניברסיטה של הווארד. בנוסף, הם משווקים מודלים נוספים, כגון Prithvi—תומך ביישומים על כדור הארץ כמו מיפוי שיטפונות, חיזוי יבולים ותחזית הוריקנים, וכן את מודל Surya—המוקדש לתחזית מזג אוויר בחלל, כולל סופות שמש שעלולות לשבש רשתות חשמל ופעולות לוויין. כלים אלו מבטאים את ההתפתחות של AI לחיבור ישיר בין חלל לחיי היום-יום שלנו, באמצעות מיפוי סיכונים ועדכוני אזהרה.
לעורכים סקרנות בנוגע לירח עצמו, ליום התצפית הבינלאומי על הירח ב-19 בספטמבר, נאס"א מציעה דרכים להשתתף ולקבל מידע נוסף. אין צורך בתוכנה מיוחדת; נאס"א ו-IBM פרסמו הסברים ומפות דוגמה כדי להמחיש את תהליך המחקר וההבנה של הירח הפנימי והחיצוני.
ההמשכיות של המחקר תלויה באופן שבו חוקרים וקהילות מקצועיות ישתמשו במודל. חדשות העולם של הטבע יעקוב אחר הערכות עצמאיות, ובדיקות נוספות של הקרח ופרויקטים עתידיים באמצעות המודל יחשפו עד כמה המודל מצליח להנחות מחקר נוסף. בכל מקרה, נאס"א ו-IBM שחררו כלי מפות חופשי שיכול לעזור להמשך תהליך המחקר, להערכת מקומות אפשריים לקיום הקרח, ולמפות סיכונים במשטח הירח באותם אזורים.
