هوش مصنوعی برای نقشه‌برداری از ماه
IBM و ناسا یک مدل هوش مصنوعی متن‌باز را معرفی کرده‌اند که می‌تواند فرایند بررسی و نقشه‌برداری از سطح ماه را سرعت بدهد. این ابزار با استفاده از دهه‌ها دادهٔ رصدی، به پژوهشگران کمک می‌کند نشانه‌های یخ، دهانه‌های برخوردی و عوارض آتشفشانی را دقیق‌تر شناسایی کنند؛ داده‌هایی که برای انتخاب محل فرود و طراحی مأموریت‌های آینده اهمیت زیادی دارند.
مدلی برای حجم عظیم داده‌های قمری
محصول جدید با نام NASA-IBM Lunar Foundation Model در خانواده مدل‌های پایهٔ متن‌باز Prithvi قرار می‌گیرد؛ خانواده‌ای که پیش‌تر در حوزه‌هایی مانند داده‌های مکانی و آب‌وهوا نیز استفاده شده است. مدل‌های پایه با هدف انجام یک کار محدود ساخته نمی‌شوند، بلکه ابتدا با حجم بزرگی از داده آموزش می‌بینند و سپس می‌توان آن‌ها را برای وظایف تخصصی‌تر به کار گرفت. در مورد مدل قمری، داده‌های مربوط به سطح ماه از چند مأموریت و ابزار علمی مختلف در یک چارچوب تحلیلی قرار گرفته‌اند.
به گفته IBM و ناسا، مدل جدید با بیش از ۳۰ لایه داده جمع‌آوری‌شده از ۹ ابزار علمی در چهار مأموریت ناسا آموزش داده شده است. یکی از منابع اصلی این مجموعه، مدارگرد شناسایی ماه یا Lunar Reconnaissance Orbiter است که سال‌هاست تصاویر و اندازه‌گیری‌های دقیقی از سطح ماه تهیه می‌کند. ترکیب این داده‌ها به مدل اجازه می‌دهد تنها به یک تصویر ساده تکیه نکند و اطلاعات گوناگون درباره شکل زمین، نور، سایه، جنس سطح و نشانه‌های احتمالی منابع را همزمان بررسی کند.
جست‌وجوی یخ در مناطق همیشه تاریک
یکی از مهم‌ترین کاربردهای مدل، بررسی مناطقی از ماه است که در سایهٔ دائمی قرار دارند. در این نقاط، نور خورشید تقریباً هیچ‌گاه به سطح نمی‌رسد و به همین دلیل احتمال حفظ‌شدن یخ آب در آن‌ها بیشتر است. پیدا کردن یخ فقط یک موفقیت علمی محسوب نمی‌شود؛ آب می‌تواند برای نوشیدن، تولید اکسیژن و حتی ساخت سوخت موشک در مأموریت‌های آینده استفاده شود. برای فضانوردانی که قرار است مدت طولانی‌تری در ماه بمانند، استفاده از منابع موجود در محل می‌تواند مقدار تجهیزات و مواد مورد نیاز برای ارسال از زمین را کاهش دهد.
شناسایی چنین ذخایری دشوار است، چون مناطق سایه‌دار از نظر تصویری پیچیده‌اند و داده‌های آن‌ها همیشه کامل یا یکدست نیست. مدل هوش مصنوعی می‌تواند بخش‌هایی را که نیازمند بررسی بیشتر هستند مشخص کند و کار پژوهشگران را از جست‌وجوی دستی میان تعداد بسیار زیادی نقشه و تصویر به بررسی هدفمندتر تغییر دهد. با این حال، خروجی مدل همچنان باید با داده‌های ابزارهای دیگر و بررسی کارشناسان مستقل تأیید شود؛ زیرا هر نشانهٔ روشن یا تیره در تصویر الزاماً به معنای وجود یخ نیست.
انتخاب محل فرود ایمن‌تر
دهانه‌های برخوردی و ناهمواری‌های سطح ماه، خطر مهمی برای فرودگرها و مأموریت‌های سرنشین‌دار ایجاد می‌کنند. یک محل فرود مناسب باید از نظر شیب، سنگ‌های بزرگ، عمق گودال‌ها و امکان ارتباط با زمین شرایط قابل قبولی داشته باشد. نقشه‌برداری دقیق عوارض سطح به مهندسان کمک می‌کند مسیر حرکت روبات‌ها و محل استقرار تجهیزات را پیش از آغاز مأموریت بهتر طراحی کنند.
در آزمایش‌های معیار، IBM و ناسا گفته‌اند مدل جدید توانسته برخی عوارض کلیدی سطح ماه را تا ۲۳ درصد دقیق‌تر از روش‌های رایج شناسایی کند. این عدد به معنای موفقیت قطعی در تمام شرایط نیست و عملکرد مدل به نوع داده، وضوح تصویر و وظیفه‌ای که برای آن آموزش داده شده وابسته است. با این حال، حتی افزایش دقت محدود نیز می‌تواند برای تهیهٔ نقشه‌های اولیه و اولویت‌بندی مناطق تحقیقاتی مفید باشد؛ به‌ویژه زمانی که پژوهشگران با داده‌هایی بسیار بزرگ روبه‌رو هستند.
پیوند با برنامه‌های آیندهٔ فضایی
ناسا قصد دارد در قالب برنامه Artemis در سال ۲۰۲۸ فضانوردان را دوباره به ماه بازگرداند و فناوری‌های لازم برای حضور پایدارتر انسان را آزمایش کند. مأموریت‌های این برنامه فقط به فرود و بازگشت کوتاه‌مدت محدود نیستند و در مسیر بلندمدت، زمینهٔ استفاده از ماه به‌عنوان پایگاهی برای پژوهش‌های بیشتر و سفرهای دورتر، از جمله مأموریت‌های مریخ، را بررسی می‌کنند.
در چنین برنامه‌ای، ابزارهای هوش مصنوعی می‌توانند نقش یک لایهٔ تحلیلی مهم را بر عهده بگیرند. داده‌های ماه از نظر حجم، تنوع و پیچیدگی دائماً افزایش پیدا می‌کنند و بررسی همهٔ آن‌ها با نیروی انسانی به‌تنهایی زمان زیادی می‌برد. مدل متن‌باز جدید این امکان را فراهم می‌کند که گروه‌های دانشگاهی و پژوهشی مختلف آن را بررسی، اصلاح و برای نیازهای خاص خود آماده کنند. متن‌باز بودن همچنین می‌تواند به مقایسهٔ نتایج و شناسایی خطاهای مدل کمک کند.
اهمیت اصلی این پروژه در پیوند سه حوزه است: داده‌های فضایی، مدل‌های هوش مصنوعی و برنامه‌ریزی عملیاتی برای مأموریت‌های آینده. اگر دقت و قابلیت اعتماد چنین ابزارهایی در مأموریت‌های واقعی تأیید شود، تصمیم‌گیری درباره محل فرود، جست‌وجوی منابع و اولویت‌بندی مطالعات سطح ماه سریع‌تر خواهد شد. با وجود این، هوش مصنوعی جایگزین سنجش علمی و تصمیم‌گیری مهندسی نمی‌شود؛ بلکه ابزاری برای محدودکردن دامنهٔ جست‌وجو و کمک به کارشناسان در مواجهه با داده‌های گسترده است.
تاریخ انتشار: ۲۰ شهریور ۱۴۰۵
منبع: Reuters
