IBM e NASA hanno annunciato il nuovo NASA-IBM Lunar Foundation Model, uno dei primi foundation model open source dedicati all’esplorazione scientifica della Luna disponibili per la comunità internazionale. Addestrato su un vasto insieme di osservazioni lunari selezionate e curate dai ricercatori delle due organizzazioni, il modello nasce per trasformare decenni di dati complessi in informazioni utilizzabili dagli scienziati. La novità assume un’importanza strategica in vista delle future missioni lunari e dei progetti finalizzati alla creazione di una presenza umana sostenibile sulla Luna.
Il nuovo sistema di intelligenza artificiale può infatti mettere in relazione osservazioni provenienti da strumenti differenti, caratterizzate da natura e risoluzione diverse, facendo emergere collegamenti difficili da riconoscere attraverso le tradizionali attività di analisi. Il modello rappresenta un nuovo passo nella collaborazione tra IBM e NASA, impegnate nello sviluppo di piattaforme aperte capaci di rendere più accessibile il patrimonio di dati raccolto nel corso delle missioni scientifiche. Il progetto mette a disposizione dei ricercatori una base comune da adattare a diversi compiti, evitando di dover costruire ogni volta un sistema algoritmico completamente nuovo.
Decenni di osservazioni e petabyte di dati sulla superficie lunare
La topografia lunare è il risultato di una lunga evoluzione. Nel corso del tempo, la superficie del satellite terrestre è stata trasformata dalla formazione dei crateri, dalla distribuzione di potenziali depositi di ghiaccio e dai fenomeni legati all’attività vulcanica. Sensori e strumenti scientifici hanno monitorato questi elementi per decenni, producendo petabyte di dati. La disponibilità di una quantità così vasta di informazioni, tuttavia, non si traduce automaticamente in nuove scoperte. Per studiare la superficie lunare, gli scienziati devono spesso analizzare manualmente immagini e mappe oppure ricorrere a modelli di machine learning progettati per svolgere una singola attività. Si tratta di sistemi che possono presentare una risoluzione limitata, richiedere risorse computazionali considerevoli e non assicurare sempre l’accuratezza necessaria per riconoscere e analizzare le caratteristiche geografiche della Luna. Il NASA-IBM Lunar Foundation Model è stato progettato proprio per superare questi limiti. La capacità di elaborare congiuntamente dati multimodali e multi-risoluzione permette al sistema di riconoscere relazioni nascoste e di offrire una rappresentazione più completa della superficie e del sottosuolo lunare.
La ricerca del ghiaccio lunare decisiva per le future basi umane
Una delle applicazioni più importanti riguarda l’individuazione dei potenziali depositi di ghiaccio lunare. Le zone permanentemente in ombra sono tra gli ambienti più difficili da osservare, ma potrebbero custodire ghiaccio nel sottosuolo. La sua presenza indicherebbe la disponibilità di acqua e ossigeno, due risorse considerate essenziali per la costruzione e il mantenimento di future basi sulla Luna. Il ghiaccio potrebbe inoltre essere utilizzato nella produzione di carburante destinato alle missioni spaziali, comprese quelle dirette verso Marte. Individuare con maggiore precisione le aree nelle quali questa risorsa potrebbe essere presente significa quindi acquisire informazioni determinanti per la pianificazione dell’esplorazione lunare e delle successive missioni nel Sistema Solare. Il modello sviluppato da NASA e IBM combina osservazioni multimodali e caratterizzate da risoluzioni differenti per prevedere le zone nelle quali potrebbe trovarsi ghiaccio sulla superficie lunare. Secondo un documento tecnico realizzato da NASA e IBM, il nuovo sistema ha ridotto fino al 22% l’errore RMSE nell’identificazione delle aree con un elevato potenziale di ghiaccio lunare rispetto al modello SwinV2-B addestrato su ImageNet.
L’intelligenza artificiale ricostruisce la storia vulcanica della Luna
Il nuovo foundation model può essere impiegato anche per approfondire la storia vulcanica della Luna. In particolare, gli scienziati studiano formazioni note come Irregular Mare Patches, aree vulcaniche che possono fornire informazioni sull’evoluzione termica del satellite e sulle trasformazioni avvenute nel corso del tempo. L’identificazione precisa di queste formazioni non ha soltanto un valore storico e geologico, ma può assumere un ruolo strategico nella progettazione delle future operazioni sulla superficie lunare. La conoscenza delle caratteristiche e dell’estensione delle diverse strutture geologiche può infatti contribuire alla valutazione dei territori e alla pianificazione delle attività scientifiche. Pur utilizzando etichette di addestramento non perfette, il NASA-IBM Lunar Foundation Model riesce a rappresentare l’estensione delle formazioni vulcaniche con una precisione superiore del 3% rispetto a SwinV2-B, mantenendo livelli di accuratezza comparabili ma garantendo una maggiore efficienza e costi inferiori nelle operazioni di fine-tuning.
Mappatura dei crateri con una risoluzione metrica
Un altro campo di applicazione fondamentale riguarda il rilevamento dei crateri lunari, tra gli elementi più caratteristici e scientificamente rilevanti della superficie della Luna. Lo studio di queste strutture può fornire indicazioni sull’età dei differenti terreni, sulla loro geologia e sulla composizione chimica delle regioni interne primordiali. La mappatura dei crateri è importante anche per la sicurezza delle future missioni. Può contribuire alla selezione di siti di atterraggio sicuri, al riconoscimento di potenziali pericoli come pendii ripidi e massi e alla progettazione di infrastrutture destinate a rimanere operative sulla Luna per lunghi periodi.
Grazie al nuovo modello, i ricercatori possono identificare, contestualizzare e classificare i crateri con una risoluzione metrica. I risultati sono comparabili con quelli ottenuti dai modelli più avanzati, tra i quali SwinV2-B, ma vengono raggiunti con una maggiore efficienza e con costi di adattamento inferiori. A una risoluzione di contesto pari a circa 100 metri, il NASA-IBM Lunar Foundation Model supera le prestazioni di SwinV2-B di quasi il 19%, pur utilizzando soltanto la metà dei dati di addestramento. Il risultato evidenzia la capacità del sistema di ottenere prestazioni elevate anche con una quantità inferiore di informazioni specificamente utilizzate per l’addestramento.
NASA: “trasformare grandi quantità di dati in nuove scoperte”
L’obiettivo non è soltanto accumulare osservazioni, ma rendere l’enorme patrimonio scientifico costruito nel corso dei decenni più semplice da consultare e utilizzare. “La NASA ha impiegato decenni per costruire una straordinaria documentazione scientifica sulla Luna, ma la raccolta dei dati è solo una parte del lavoro”, ha affermato Kevin Murphy, chief science data officer e chief data e AI officer ad interim presso la sede centrale della NASA a Washington. “Dobbiamo anche rendere i dati più accessibili e fruibili per gli scienziati. Il NASA- IBM Lunar Foundation Model dimostra cosa è possibile realizzare quando applichiamo l’intelligenza artificiale ai petabyte di dati scientifici della NASA. Questa è la vera opportunità che vediamo nell’AI: trasformare grandi quantità di dati in nuove scoperte”. Il modello punta dunque a ridurre la distanza tra la raccolta dei dati e la loro effettiva trasformazione in conoscenza scientifica, permettendo di analizzare congiuntamente informazioni che in precedenza venivano affrontate attraverso processi separati.
IBM: una piattaforma aperta per la comunità scientifica globale
La possibilità di collegare osservazioni provenienti da molteplici strumenti costituisce uno degli aspetti centrali del progetto. Il foundation model non è limitato a un singolo quesito scientifico, ma può diventare una piattaforma di partenza per sviluppare applicazioni differenti. “Svelare i misteri della Luna richiede la capacità di apprendere da un volume straordinario di dati scientifici”, ha dichiarato Juan Bernabe-Moreno, Direttore di IBM Research Europe, UK e Irlanda. “Il NASA-IBM Lunar Foundation Model offre agli scienziati una piattaforma di riferimento per esplorare la Luna su larga scala, collegando osservazioni provenienti da diversi strumenti, evidenziando correlazioni difficili da individuare singolarmente e mettendo a disposizione della comunità scientifica globale una base aperta su cui costruire nuove scoperte”. La natura open source del progetto consente a scienziati e ricercatori di tutto il mondo di accedere a strumenti avanzati di intelligenza artificiale e di adattarli a nuove esigenze di studio, ampliando progressivamente le possibili applicazioni nell’ambito dell’esplorazione lunare.
Il primo dataset lunare open source multimodale e multi-risoluzione
Accanto al modello, i ricercatori di IBM e NASA hanno realizzato anche il primo dataset lunare open source capace di integrare informazioni multimodali e multi-risoluzione in un formato progettato per le moderne tecniche di machine learning. Nonostante l’enorme quantità di dati raccolti sulla Luna, fino a questo momento non esisteva infatti un dataset pubblico e unificato con queste caratteristiche. La nuova raccolta aggrega oltre 30 livelli spazialmente allineati, ottenuti attraverso nove strumenti scientifici impiegati in quattro missioni spaziali. Il dataset riunisce decine di migliaia di immagini e mappe dedicate alle proprietà geofisiche della superficie lunare. Le informazioni provengono dal Lunar Reconnaissance Orbiter della NASA, conosciuto anche come LRO, e dalla missione GRAIL. A questi materiali si aggiungono i dati complementari raccolti dalla missione giapponese SELENE/Kaguya della Japan Aerospace Exploration Agency. L’integrazione di queste osservazioni restituisce una rappresentazione ricca e multimodale della superficie e del sottosuolo della Luna. Il dataset, già predisposto per l’impiego nel machine learning, viene reso disponibile alla comunità scientifica internazionale insieme al modello.
Il Lunar Foundation Model entra nella famiglia Prithvi
Il progetto costituisce l’evoluzione della collaborazione consolidata tra IBM e NASA per trasformare dati scientifici di grande valore in piattaforme aperte per la ricerca e la scoperta. Il rilascio open source permette di utilizzare sistemi avanzati di intelligenza artificiale per accelerare gli studi e ridurre le risorse necessarie ad adattare i modelli ai singoli compiti. Il NASA-IBM Lunar Foundation Model entra nella famiglia Prithvi, che comprende foundation model aperti dedicati all’osservazione geospaziale della Terra, alla meteorologia e all’eliofisica. A questi settori si aggiunge ora anche l’esplorazione della Luna. La strategia comune alla famiglia Prithvi consiste nel mettere a disposizione una base algoritmica condivisa. Invece di realizzare un nuovo sistema per ogni domanda scientifica, i ricercatori possono partire da un modello già addestrato e adattarlo a compiti specifici. Un approccio che può accelerare le scoperte in numerosi ambiti, rendendo più efficiente l’analisi di grandi quantità di dati e aprendo nuove prospettive per la conoscenza della Luna e la futura presenza umana sulla sua superficie.