مدل هوش مصنوعی IBM و ناسا نقشهبرداری از ماه را دقیقتر میکند
IBM و ناسا یک مدل بنیادین متنباز برای مطالعهٔ سطح ماه منتشر کردهاند؛ مدلی که با ترکیب دادههای چندین ابزار و مأموریت فضایی، به پژوهشگران کمک میکند ویژگیهای جغرافیایی و زیرسطحی ماه را سریعتر شناسایی کنند. این مدل فقط برای یک تصویر یا یک وظیفهٔ مشخص ساخته نشده است، بلکه روی مجموعهای یکپارچه از دادههای چندوجهی و چندتفکیکی آموزش دیده و میتواند برای پرسشهای مختلف علمی دوباره تنظیم شود. هدف اصلی پروژه تبدیل دههها مشاهدهٔ پراکنده به بستری مشترک برای کشف علمی است.
مشکل دادههای ماه چه بود؟
ماه در طول دههها توسط دوربینها، رادارها، ارتفاعسنجها و ابزارهای طیفی مشاهده شده است. هر ابزار بخشی متفاوت از سطح یا زیرسطح را با وضوح و قالب خاص خود ثبت میکند. نتیجه، حجم بزرگی از تصاویر و نقشههاست که کنار هم اطلاعات ارزشمندی دارند، اما همیشه در یک چارچوب آمادهٔ یادگیری ماشین قرار نگرفتهاند. پژوهشگرانی که میخواهند یک دهانه، ناحیهٔ آتشفشانی یا احتمال وجود یخ را بررسی کنند، ناچارند دادهها را پاکسازی، همتراز و برای مسئلهٔ خود برچسبگذاری کنند. این کار زمانبر است و برای هر سؤال ممکن است از ابتدا تکرار شود.
مدل جدید با گردآوری بیش از ۳۰ لایهٔ مکانی همتراز از ۹ ابزار در چهار مأموریت، یک مجموعهدادهٔ آمادهٔ یادگیری ماشین ایجاد میکند. دادهها از مدارگرد شناسایی ماه ناسا، مأموریت GRAIL و اطلاعات تکمیلی مأموریت ژاپنی SELENE/Kaguya گردآوری شدهاند. چنین ترکیبی اجازه میدهد مدل همزمان به شکل سطح، ویژگیهای فیزیکی و نشانههای زیرسطحی توجه کند. این رویکرد با مدلی که فقط روی یک نوع تصویر آموزش دیده باشد تفاوت دارد؛ زیرا رابطهٔ میان چند منبع داده را نیز در مرحلهٔ تحلیل وارد میکند.
یخ در مناطق تاریک
یکی از کاربردهای مهم مدل، تخمین محل ذخایر احتمالی یخ در نواحی دائماً سایهدار ماه است. این مناطق به دلیل نرسیدن نور مستقیم خورشید از دشوارترین بخشها برای مشاهده محسوب میشوند. وجود یخ میتواند به معنای دسترسی به آب و اکسیژن باشد؛ دو منبعی که برای پایگاههای آینده و حتی تولید سوخت موشک اهمیت دارند. مدل IBM و ناسا با ترکیب مشاهدات چندوضوحی تلاش میکند الگوهایی را پیدا کند که در یک تصویر منفرد قابل تشخیص نیستند.
براساس مقالهٔ فنی همراه پروژه، مدل در شناسایی نواحی با احتمال بالاتر وجود یخ، خطای ریشهٔ میانگین مربعات را تا ۲۲ درصد نسبت به مدل SwinV2-B آموزشدیده روی ImageNet کاهش داده است. این عدد به معنی کشف قطعی یخ نیست؛ خروجی مدل همچنان یک پیشبینی علمی است که باید با مشاهدهٔ مستقیم، آزمایشهای راداری و دادههای مأموریتهای آینده بررسی شود. ارزش اصلی سیستم در این است که پژوهشگران را سریعتر به مناطقی هدایت میکند که ارزش بررسی دقیقتر دارند.
آتشفشانها و تاریخ حرارتی ماه
ماه در گذشتهٔ دور فعالیتهای آتشفشانی داشته و آثار آن در قالب ساختارهایی مانند لکههای نامنظم دریایی دیده میشود. شناسایی دقیق این نواحی به دانشمندان کمک میکند تاریخ حرارتی ماه و تغییرات سطح آن را بهتر بفهمند. مدل جدید در کار با برچسبهای ناقص توانسته گسترهٔ ساختارهای آتشفشانی را حدود ۳ درصد بهتر از روش مقایسهای ثبت کند و در عین حال به تنظیم دقیق کمهزینهتری نیاز داشته باشد. برای پروژههای علمی، همین کاهش هزینه میتواند امکان بررسی مناطق بیشتری را فراهم کند.
نقشهبرداری دهانهها و انتخاب محل فرود
دهانهها فقط نشانههایی روی سطح ماه نیستند؛ اندازه، عمق و پراکندگی آنها سرنخهایی دربارهٔ سن زمینشناختی، ترکیب مواد و تاریخ برخوردهای کیهانی در اختیار دانشمندان میگذارند. نقشهٔ دقیق دهانهها همچنین برای انتخاب محل فرود اهمیت دارد، زیرا شیب زیاد، تختهسنگها و ناهمواریهای ناشناخته میتوانند برای فضاپیما و تجهیزات سطحی خطرناک باشند. مدل میتواند دهانهها را در وضوح متری شناسایی و طبقهبندی کند و در وضوح زمینهای حدود ۱۰۰ متر، با استفاده از نیمی از دادهٔ آموزشی، نزدیک به ۱۹ درصد بهتر از SwinV2-B عمل کرده است.
این تفاوت میان وضوح متری و وضوح زمینهای نشان میدهد که یک مدل واحد میتواند برای مقیاسهای مختلف استفاده شود. در مقیاس متری، هدف یافتن جزئیات محل فرود یا یک عارضهٔ کوچک است؛ در مقیاس بزرگتر، پژوهشگر به الگوی کلی منطقه و ارتباط آن با ساختارهای اطراف نگاه میکند. ترکیب این دو دیدگاه برای برنامهریزی مأموریتها ضروری است، چون تصمیمهای عملیاتی به جزئیات محلی و زمینهٔ زمینشناختی همزمان نیاز دارند.
چرا متنباز بودن مهم است؟
IBM و ناسا مدل و مجموعهدادهٔ آمادهشده را در دسترس جامعهٔ پژوهشی قرار دادهاند. متنباز بودن اجازه میدهد گروههای دانشگاهی، آزمایشگاههای فضایی و توسعهدهندگان مستقل عملکرد مدل را بازتولید و برای پرسشهای جدید تنظیم کنند. پژوهشگران لازم نیست برای هر کار از ابتدا یک شبکهٔ عصبی بسازند یا مجموعهای جداگانه از دادههای ماه آماده کنند. آنها میتوانند از مدل پایه شروع کنند و آن را برای تشخیص مواد معدنی، تحلیل تغییرات سطح یا برنامهریزی مسیر رباتها بهبود دهند.
این مدل بخشی از خانوادهٔ Prithvi است؛ خانوادهای از مدلهای بنیادین متنباز که حوزههایی مانند دادههای جغرافیایی، آبوهوا و خورشید را پوشش میدهد. گسترش این خانواده به دادههای ماه نشان میدهد الگوی مدل بنیادین از کاربردهای عمومی هوش مصنوعی به علوم زمین و فضا هم منتقل شده است. مزیت چنین الگوهایی فقط دقت بالاتر نیست؛ اشتراک داده و روش میتواند همکاری میان گروههایی را بیشتر کند که پیشتر با قالبهای متفاوت کار میکردند.
محدودیتها و گام بعدی
مدل هوش مصنوعی جایگزین تفسیر دانشمندان یا اعتبارسنجی مأموریتهای فضایی نمیشود. دادههای ماه ممکن است نویز، پوشش ناقص یا اختلاف زمانی داشته باشند و مدل نیز میتواند در مناطقی که نمونهٔ آموزشی کمتری دارند، خطا کند. بنابراین خروجی آن باید همراه با عدمقطعیت، روش تولید پیشبینی و دادهٔ مورد استفاده ارائه شود. همچنین دسترسی متنباز زمانی بیشترین اثر را دارد که مستندات، کد آموزش و روش ارزیابی نیز به شکل روشن منتشر شوند.
IBM و ناسا با این پروژه نشان دادهاند که ارزش دادههای فضایی فقط در جمعآوری آنها نیست؛ سازماندهی و قابلاستفادهکردن دادهها نیز به همان اندازه اهمیت دارد. اگر پژوهشگران بتوانند دههها مشاهده را در یک مدل مشترک جستوجو کنند، مسیر از پرسش علمی تا فرضیه و برنامهریزی مأموریت کوتاهتر میشود. در آینده، مدلهایی از این نوع میتوانند در کنار رباتهای ماهنورد، سامانههای انتخاب محل فرود و ابزارهای تحلیل برخط قرار بگیرند و نقش هوش مصنوعی را در اکتشاف فضایی عملیتر کنند.
از دید مهندسی داده، این پروژه نمونهای از حرکت به سوی زیرساختهای علمی قابلاشتراک است. هرچه ابزارهای بیشتری به مأموریتهای ماه اضافه شوند، ارزش لایهای افزایش مییابد که بتواند تفاوت وضوح، زمان ثبت و نوع حسگر را مدیریت کند. اگر این هماهنگی از ابتدا در طراحی داده لحاظ شود، مدلهای بعدی میتوانند بدون بازسازی کامل خط لولهٔ پردازش، اطلاعات جدید را جذب کنند. این انعطاف برای مأموریتهایی که سالها ادامه دارند مهم است، زیرا دادههای تازه باید با آرشیو قدیمی قابلمقایسه باقی بمانند.
منبع: IBM و NASA
