IBM et la NASA se sont associés pour créer un nouveau intelligence artificielle (IA) capable de traiter des décennies de données lunaires afin que les scientifiques puissent un jour cartographier plus précisément la surface de la lune.
Des décennies de missions lunaires robotisées ont laissé aux scientifiques une mine de données massive et disparate. Traditionnellement, ces données ont été analysées par des modèles de transformateurs limités tels que SwinV2-B, créé en 2022 en tant que modèle à usage général pour comprendre les images et améliorer la précision de la reconnaissance photo et des tâches de vision associées. Vaisseau spatial en orbite la lune a capturé ces données à l’aide d’un ensemble de capteurs incompatibles, sans moyen accessible de les analyser ou de les utiliser.
Plus précisément, les images provenant de caméras optiques haute résolution, d’altimètres laser, d’outils de réflectance radar et de spectromètres mesurant la densité élémentaire ont créé d’énormes ensembles de données – mais les unifier en une image cohérente de la surface lunaire a été un processus laborieux et exigeant en termes de calcul.
Pour résoudre le goulot d’étranglement des données, des chercheurs de la NASA et d’IBM se sont associés pour créer le Lunar Foundation Model (LFM). Ce système d’IA agile est conçu pour rassembler des données multimodales et multirésolutions afin de créer une image détaillée de la surface lunaire pour prendre en charge les futures missions. L’équipe a publié ses résultats le 10 septembre dans un document technique partagé avec Live Science.
Les scientifiques voulaient créer un modèle d’IA de base unique et réutilisable qui serait librement accessible aux scientifiques via le logiciel open source. Référentiel de modèles d’IA Hugging Face. Le modèle étant open source, les chercheurs pourraient affiner l’IA pour répondre à des questions spécifiques dans le cadre de différents projets.
Pour la NASA, cela inclut des questions épineuses telles que la génération d’une carte fiable des cratères afin que les chercheurs puissent tracer des zones d’atterrissage sûres, ou l’analyse de ces cratères à la recherche d’indices sur la composition chimique de l’intérieur de la Lune et son histoire.
LFM permet également aux scientifiques de parcourir les données sur les sites fortement ombragés de la Lune qui cachent souvent de la glace souterraine, ce qui est essentiel pour établir des bases lunaires à long terme. L’activité volcanique peut également être suivie et rassemblée, ce qui permettra aux futurs projets d’éviter les terrains instables et de révéler un aperçu de l’évolution thermique de la Lune.
Des défis uniques
Le traitement des observations lunaires présente des défis informatiques uniques qui diffèrent de ceux de modèles similaires, qui couvrent des éléments tels que la météo, les données géospatiales et l’héliophysique. de la NASA Orbiteur de reconnaissance lunaire et d’autres engins spatiaux collectent des mesures à des échelles spatiales très différentes, allant de vastes cartes régionales à une résolution de 100 mètres par pixel jusqu’à des analyses de terrain d’une résolution de 1 m par pixel.
Parce que la Lune n’a pas d’atmosphère, la géométrie extrême de la lumière solaire pose problème, créant des ombres profondes et trompeuses. La lumière du soleil peut également effacer des détails géologiques subtils, selon le moment où une image a été capturée.
Pour surmonter ces problèmes, l’équipe a compilé un ensemble de données de référence en couches nommé SomBench, composé de près de 2 millions de zones cartographiques superposées appelées tuiles. SomBench organise ces données en pistes alignées afin que les données provenant d’instruments complètement différents, ou les images prises à différentes résolutions ou angles, finissent toutes ensemble tant qu’elles capturent les mêmes tuiles.
Les couches de résolution inférieure fournissent des aperçus grand angle, ainsi que des données de réflectance ultraviolette et d’élévation. Les couches haute résolution combinent des prises de vue serrées et détaillées avec des cartes de terrain, de pente et d’orientation à l’échelle métrique. Des lectures spécialisées du comportement thermique, de la minéralogie de surface et des anomalies gravitationnelles locales sont également intégrées.
LFM apprend à interpréter toutes ces données en couches grâce à une technique appelée apprentissage par jeton masqué, dans laquelle des parties d’un ensemble de données sont cachées afin que l’IA doive remplir les blancs. Pendant l’entraînement, l’IA voit une partie d’une tuile lunaire, comme son apparence et son élévation en lumière visible, et rien d’autre. Le modèle prédit ensuite en continu les informations cachées à travers des millions d’exemples et apprend les relations entre des éléments tels que l’éclairage, la structure du terrain et la géographie physique.
L’analyse de l’éclairage est directement intégrée à l’architecture de base du modèle. Plutôt que de forcer le modèle à déduire les niveaux de lumière uniquement à partir des ombres, les chercheurs ont fourni des métadonnées explicites décrivant les angles solaires et les positions des engins spatiaux. Cela permet au modèle d’utiliser sa puissance de traitement pour reconnaître les caractéristiques réelles du terrain plutôt que de se laisser tromper par les ombres.
Un pas de géant
Le modèle d’IA a bien fonctionné dans quatre tâches pour lesquelles il a été évalué. En matière de détection de cratères, il a surpassé SwinV2-B de près de 19 % en utilisant deux fois moins d’étiquettes de formation. Lors de l’estimation de la prospectivité de la glace polaire dans le mètre supérieur du régolithe (poussière et roches lunaires), LFM a maintenu un fort pouvoir prédictif avec moins de canaux de données et a réduit les erreurs d’identification des zones à fort potentiel de glace lunaire jusqu’à 22 % par rapport à SwinV2-B. Ses performances sur la cartographie des cratères à l’échelle métrique et des reliefs volcaniques rares étaient également compétitives par rapport aux meilleurs modèles personnalisés.
Les scientifiques peuvent personnaliser le LFM à l’aide de techniques légères telles que l’adaptation de bas rang – un moyen d’affiner une IA en modifiant un petit ensemble de poids et en ne touchant pas la majeure partie du modèle d’origine. Cela permet aux chercheurs d’adapter le modèle à des tâches d’exploration spécialisées, sans les coûts informatiques élevés liés à la formation d’une IA à partir de zéro.
- Les humains modifient tellement la surface de la Lune qu’elle est entrée dans une nouvelle ère géologique, disent les scientifiques
- Découvrez les images à la plus haute résolution d’un jet à trou noir jamais prises, grâce à l’IA et à 27 ans d’observations
- La plus grande carte de l’univers jamais réalisée par le télescope James Webb dévoile les coins cachés
Cependant, les chercheurs ont averti dans un communiqué que le système sert au mieux d’assistant de reconnaissance de formes et ne remplace pas les mesures physiques directes. Néanmoins, l’équipe a déclaré que le modèle représentait un pas majeur vers la transformation de décennies de données brutes en une boîte à outils unifiée et intelligente pour les futures missions lunaires robotisées et avec équipage.
À court terme, les scientifiques utiliseront probablement le LFM comme base pour les tâches clés de télédétection lunaire, tandis que le long processus de mise au point s’accélère. Au fil du temps, le modèle sera affiné pour des tâches telles que l’amélioration de la détection et de la cartographie des cratères, la segmentation d’unités géomorphiques subtiles telles que des zones irrégulières (activité volcanique) et l’amélioration de la détection des glaces polaires en intégrant le terrain, l’éclairage et les couches thermiques.
