NASA i IBM napravili AI model za proučavanje Meseca

Šta je zapravo predstavljeno?

NASA i IBM objavili su osnovni model veštačke inteligencije za lunarnu nauku. Umesto da za svaki zadatak uči od početka, model najpre traži pravilnosti u velikoj zbirci orbitalnih slika. Istraživači ga zatim mogu prilagoditi prepoznavanju kratera, vulkanskih oblika ili terena koji zaslužuje detaljnije ispitivanje. Model i prateći alati otvoreno su dostupni naučnoj zajednici.

Za obuku je upotrebljeno približno dva miliona isečaka slika sa letelice Lunar Reconnaissance Orbiter. Podaci uključuju vrlo detaljne snimke, na kojima jedan piksel predstavlja oko metar tla, kao i višespektralne prikaze grublje rezolucije. Različite skale daju različite informacije: mala stena i čitav region ne mogu se proučavati na isti način.

Kako računar može pomoći istraživanju?

Mesec je pokriven kraterima i slojevima nastalim tokom milijardi godina. Ljudi mogu pažljivo da analiziraju mali broj slika, ali milioni kadrova traže mnogo vremena. Model može da predloži slična područja, označi neobične oblike i pomogne da se napravi doslednija karta. Naučnik zatim proverava označeno područje i poredi ga sa drugim podacima.

Jedna moguća primena je izbor lokacija blizu Mesečevih polova, gde trajna senka može čuvati led. Sama tamna slika, međutim, ne dokazuje da vode ima. Za takav zaključak potrebno je uporediti temperaturu, osvetljenje, spektre i, na kraju, uzorke ili neposredna merenja. AI je zato pomoć pri postavljanju pitanja, a ne zamena za eksperiment.

Zašto je ovo važnije od jedne pametne pretrage?

Isti prethodno obučeni sistem mogao bi da posluži za više različitih zadataka. Manji istraživački timovi tako ne moraju svaki put da prikupljaju ogromnu zbirku označenih primera. Otvoren pristup omogućava drugima da ponove postupak, testiraju ga na novim predelima i prijave greške. To je posebno korisno kada se planiraju buduće misije, jer vreme i instrumenti na letelici imaju ograničenja.

Model može pogrešiti kada naiđe na teren koji se razlikuje od njegovih podataka za obuku. Senke, ugao Sunčeve svetlosti i kvalitet snimka mogu navesti algoritam da vidi obrazac koji nije stvaran. Zato se procenjuju i tačnost i nesigurnost, a najzanimljiviji nalazi proveravaju nezavisnim instrumentima. Objava modela nije objava novog otkrića na Mesecu.

Šta sledi?

Istraživači sada mogu da ispitaju koliko dobro model radi u mapiranju konkretnih oblika i da ga prilagode svojim pitanjima. Njegova vrednost zavisi od toga da li štedi vreme, smanjuje greške i daje proverljive rezultate. Najkorisniji ishod bio bi bolje usmeravanje teleskopa, orbitalnih kamera i budućih roverâ ka mestima gde se zaista može naučiti nešto novo.

Šta se dešava posle automatskog označavanja?

Osnovni model prvo uči reprezentaciju mesečevog terena iz velikog broja isečaka, bez toga da čovek na svakom označi svaki krater. Za konkretan zadatak ipak su potrebni pažljivo izabrani primeri i provera na snimcima koje model nije video. Ako bi se testirao samo na susednim kadrovima iste oblasti, rezultat bi mogao delovati odličan, a zatim pasti na drugoj geološkoj provinciji. Zato se test skupovi odvajaju po mestu i uslovima osvetljenja.

Na Mesecu svetlost i senka dramatično menjaju izgled istog oblika. Krater snimljen pri niskom Suncu ima dugu tamnu senku; pri visokom Suncu rub je manje očigledan. Model koji je naučio da senku smatra kraterom može propustiti druge primere ili označiti običnu neravninu kao udar. Poređenje optičkih kadrova sa topografijom, termalnim merenjima ili spektrima pomaže da se lažni nalazi otkriju. Naučnik zatim odlučuje koje mesto vredi dodatnog posmatranja.

Otvaranje modela drugim timovima omogućava ponavljanje rezultata, ali samo objavljivanje nije dokaz da je alat precizan u svakoj primeni. Korisno je navesti koliko često greši, kakve greške pravi i na kojim predelima podbacuje. Takve informacije su važne za planiranje misija: ako model pogrešno proceni opasan teren ili led u trajnoj senci, posledice mogu biti veće od greške u običnoj pretrazi slike.

Još jedan važan detalj

Na Mesecu nema atmosfere koja bi svakodnevno izbrisala tragove udara, pa stari krateri čuvaju delove istorije bombardovanja. Njihovo prebrojavanje može pomoći pri proceni relativne starosti površina: područje sa više kratera često je duže izloženo udarima, ali geološki procesi mogu izbrisati ili prekriti stare kraterе. Automatski katalog zato mora razlikovati preklopljene kraterе, senke i vulkanske oblike. Za vodeni led u polarnim senkama problem je još zahtevniji. Tamna slika samo govori da svetlost ne dopire do kamere; ne govori od čega je tlo sastavljeno. Naučnici koriste i radar, spektre, temperature i modele osvetljenja. AI može ukazati na obećavajuće mesto za rover, ali odluka o sletanju uključuje nagib, kamenje, komunikaciju i bezbednost. Ako javno dostupan model drugi tim poboljša i prijavi gde greši, naučna zajednica dobija više od samog jednog algoritma: dobija postupak koji se može proveravati i ponavljati.

Korisno je objaviti i neuspešne primere rada modela. Oni pokazuju da li su problem male senovite oblasti, niska rezolucija ili retki tipovi terena. Bez takve provere javno dostupan alat može izgledati pouzdanije nego što jeste. Otvorenost zato podrazumeva i objavljivanje ograničenja.