AI & computing › AI-gestuurde wetenschappelijke ontdekkingen
NASA en IBM geven gratis AI-model vrij dat maandata slim combineert
NASA en techbedrijf IBM hebben een gratis en openbaar AI-model uitgebracht dat wetenschappers helpt om de enorme bergen data van maanmissies te doorgronden. Het model, getraind op bijna twee miljoen datasets van de maan, spot kraters en ijs beter dan bestaande methodes. De Amerikaanse ruimtevaartorganisatie USRA leverde cruciale planetaire kennis en bouwde mee aan de trainingsdata.
Maanmissies verzamelen tegenwoordig zoveel data dat het voor onderzoekers ondoenlijk is om alles handmatig te analyseren. Foto's, hoogtemetingen, temperatuurgegevens, radarbeelden en mineralogische scans stapelen zich op, elk met hun eigen resolutie en instrument. Om daar grip op te krijgen, hebben NASA en IBM Research gezamenlijk een nieuw AI-model ontwikkeld: het NASA-IBM Lunar Foundation Model. Het model is volledig open source, wat betekent dat elke onderzoeker het gratis kan gebruiken, aanpassen en verder trainen.
Data van elf verschillende instrumenten samengevoegd
De kern van het project is SomBench, een dataset met bijna twee miljoen zogeheten co-geregistreerde databundels: stukjes maanoppervlak waarvan meerdere soorten metingen exact op elkaar zijn gelegd. In totaal gaat het om elf verschillende databronnen, van gewone camerabeelden en hoogtekaarten tot informatie over zoninval, mineralen, radarreflecties en zwaartekracht. Doordat het model leert van al die lagen tegelijk, spreken onderzoekers van een multimodaal AI-model: het combineert verschillende soorten data in plaats van ze los te bekijken. Dat is een aanpak die inmiddels ook in andere wetenschapsvelden populair is en bekendstaat als een foundation model, een breed voorgetraind AI-model dat later voor specifieke taken wordt bijgeschaafd.
Beter dan bestaande AI-modellen
Het model is getest op drie concrete taken: het opsporen van inslagkraters, het herkennen van ongewone vulkanische structuren en het inschatten van waar op de maanzuidpool ijs verstopt kan zitten. Op alle drie de fronten deed het NASA-IBM-model het beter dan modellen die eerder waren getraind op gewone internetfoto's, en ook beter dan een identiek gebouwd model zonder specifieke maantraining. Opvallend is de zogeheten labelefficiëntie bij kraterdetectie: het model heeft veel minder handmatig gelabelde voorbeelden nodig om toch goede resultaten te boeken, wat toekomstig onderzoek een stuk goedkoper kan maken.
Bijna 50.000 kraters met de hand geteld
Een groot deel van het werk kwam van planetaire wetenschapper Rachel Slank van USRA, die op uitzending werkte bij NASA's Marshall Space Flight Center. Zij bouwde de benchmark voor kraterherkenning op basis van hogeresolutiebeelden van de Lunar Reconnaissance Orbiter Camera, en identificeerde daarvoor handmatig meer dan 49.000 kraters. Volgens Slank was het grootste struikelblok het samenbrengen van data die qua resolutie enorm uiteenloopt, van metingen op een schaal van één meter tot twintig kilometer per pixel, zonder de wetenschappelijke waarde van elke afzonderlijke bron te verliezen. Het volledige model, de trainingscode en de benchmarkdata staan inmiddels vrij te downloaden op het platform Hugging Face, zodat andere onderzoeksgroepen er direct mee aan de slag kunnen.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Een gratis, herbruikbaar AI-model voor maandata verlaagt de drempel voor planetaire wetenschappers om snel patronen te vinden in enorme datasets, van kraters tot ijsvoorraden. Dat versnelt de voorbereiding van toekomstige maanmissies, zoals het zoeken naar geschikte landingsplekken of waterbronnen voor een permanente maanbasis. Doordat het model open source is, kunnen ook kleinere instituten zonder eigen supercomputers meeprofiteren van deze aanpak.
- Foundation model
- Een breed voorgetraind AI-model dat later voor specifieke taken wordt bijgeschaafd, in plaats van steeds vanaf nul te trainen.
- Multimodaal AI-model
- Een AI-systeem dat meerdere soorten data tegelijk verwerkt, zoals beelden, hoogtemetingen en mineraalgegevens, in plaats van elke bron apart te analyseren.
- Co-registratie
- Het proces waarbij metingen van verschillende instrumenten precies op dezelfde locatie op de kaart worden uitgelijnd, zodat ze samen geanalyseerd kunnen worden.
- Kraterdetectie
- Het automatisch herkennen van inslagkraters op foto's van een planeet- of maanoppervlak, vaak gebruikt om de ouderdom van een gebied te schatten.
- IJsprospectiviteit
- Een inschatting van hoe waarschijnlijk het is dat er op een bepaalde plek waterijs onder het maanoppervlak verborgen zit.
- Irreguliere mare-vlekken (IMP's)
- Ongewone, relatief jonge vulkanische structuren op de maan die wijzen op recentere geologische activiteit dan lang werd aangenomen.
- Wide Angle Camera (WAC) en Narrow Angle Camera (NAC)
- Twee camera's aan boord van de Lunar Reconnaissance Orbiter: de WAC maakt brede overzichtsopnames, de NAC maakt scherpe close-ups tot op metersschaal.
- Labelefficiëntie
- Een maat voor hoe weinig handmatig gelabelde voorbeelden een AI-model nodig heeft om toch nauwkeurige voorspellingen te doen.
- Open source
- Software of een model waarvan de broncode vrij beschikbaar is, zodat iedereen het kan gebruiken, aanpassen en verbeteren.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
