NASA in IBM sta ustvarila model AI za raziskovanje Lune

Kaj so predstavili?

NASA in IBM sta objavila temeljni model umetne inteligence za lunarno znanost. Namesto učenja od začetka za vsako nalogo model najprej išče pravilnosti v velikem naboru orbitalnih slik. Raziskovalci ga lahko nato prilagodijo prepoznavanju kraterjev, vulkanskih oblik ali območij, vrednih natančnejšega pregleda. Model in orodja so odprto dostopni raziskovalni skupnosti.

Za učenje so uporabili približno dva milijona izrezov posnetkov sonde Lunar Reconnaissance Orbiter. Vključujejo zelo podrobne slike, na katerih piksel pomeni približno meter tal, ter večspektralne posnetke z manjšo ločljivostjo. Različna merila razkrijejo različne značilnosti: majhne skale in cele pokrajine ne proučujemo enako.

Kako lahko računalnik pomaga?

Luno prekrivajo kraterji in plasti iz več milijard let. Človek lahko skrbno pregleda manjše število slik, milijoni posnetkov pa zahtevajo veliko časa. Model lahko predlaga podobna območja, označi nenavadne oblike in pomaga izdelati doslednejši zemljevid. Znanstvenik nato predlog preveri z drugimi podatki.

Možna uporaba je izbira območij blizu Luninih polov, kjer bi večna senca lahko ohranila led. Temna slika sama po sebi še ne dokazuje vode. Primerjati je treba temperaturo, osvetlitev, spektre in nazadnje tudi vzorce ali neposredne meritve. AI pomaga oblikovati vprašanja; ni nadomestilo za poskus.

Zakaj več kot le pametno iskanje?

Isti predhodno naučeni sistem lahko služi različnim nalogam. Manjšim raziskovalnim skupinam tako ni treba vsakič zbrati ogromnega nabora označenih primerov. Odprti dostop drugim omogoča ponavljanje postopka, preverjanje na novih območjih in odkrivanje napak. To je koristno pri načrtovanju misij, kjer so čas in zmogljivosti instrumentov omejeni.

Model se lahko zmoti na terenu, ki se razlikuje od učnih podatkov. Sence, kot Sonca in kakovost posnetka lahko povzročijo lažen vzorec. Zato je treba oceniti točnost in negotovost ter najbolj zanimive predloge preveriti z neodvisnimi instrumenti. Objava modela sama ni objava novega odkritja na Luni.

Kaj sledi?

Raziskovalci lahko zdaj preizkusijo model pri konkretnih kartografskih nalogah in ga prilagodijo svojim vprašanjem. Koristen bo, če prihrani čas, zmanjša napake in daje preverljive rezultate. Najboljša uporaba je usmerjanje teleskopov, orbitalnih kamer in prihodnjih roverjev na kraje, kjer lahko res izvemo kaj novega.

Kaj sledi samodejnemu označevanju?

Osnovni model se najpre nauči predstavitve Luninega površja iz velikega števila izrezov, ne da bi človek na vsakem označil vse kraterje. Za določeno nalogo pa še vedno potrebujemo skrbno izbrane primere in preverjanje na slikah, ki jih model ni videl. Če bi ga preizkusili le na sosednjih posnetkih istega območja, bi se lahko zdel odličen, na drugi geološki pokrajini pa odpovedal. Zato testna območja ločimo po kraju in osvetlitvi.

Svetloba in senca na Luni močno spremenita videz iste oblike. Krater pri nizkem Soncu meče dolgo senco, pri visokem Soncu je njegov rob manj očiten. Model, ki senco zamenja za krater, lahko spregleda druge primere ali navadno neravnino označi za udar. Primerjava optičnih slik s topografijo, toplotnimi meritvami ali spektri pomaga odkriti lažne najdbe. Raziskovalec nato izbere kraj za dodatno opazovanje.

Odprt model drugim skupinam omogoča ponovitev rezultatov, vendar objava sama ne dokazuje natančnosti pri vsaki rabi. Koristno je navesti pogostost in vrste napak ter območja, kjer deluje slabše. Te informacije so pomembne pri načrtovanju odprav: napačna ocena nevarnega terena ali ledu v stalni senci ima lahko hujše posledice kot napaka pri običajnem iskanju po slikah.

Še ena pomembna podrobnost

Na Luni ni ozračja, ki bi vsak dan izbrisalo sledi udarcev, zato stari kraterji ohranjajo del zgodovine bombardiranja. Štetje kraterjev pomaga oceniti relativno starost površij: območje z več kraterji je pogosto dlje izpostavljeno udarcem, geološki procesi pa lahko stare kraterje zakrijejo ali izbrišejo. Samodejni katalog mora zato ločiti prekrivajoče se kraterje, sence in vulkanske oblike. Pri vodnem ledu v polarni senci je naloga še težja. Temna fotografija pove, da svetloba ne doseže kamere, ne pa iz česa so tla. Raziskovalci uporabijo tudi radar, spektre, temperaturo in modele osvetlitve. UI lahko predlaga obetavno mesto za rover, odločitev o pristanku pa vključuje naklon, kamne, zvezo in varnost. Če javni model druga skupina izboljša in poroča o napakah, skupnost dobi več kot en algoritem: dobi postopek, ki ga lahko preverja in ponavlja.

Koristno je objaviti tudi neuspešne primere modela. Pokažejo, ali so težava majhna senčna območja, nizka ločljivost ali redki tipi površja. Brez takega preverjanja je lahko javno dostopno orodje videti zanesljivejše, kot je v resnici. Odprtost vključuje tudi objavo omejitev.