17 anni di dati lunari, che corrispondono a circa 2 milioni di immagini. È l’immane mole di informazioni utilizzata per addestrare uno dei primi modelli di intelligenza artificiale (Ia) sviluppati specificamente per la scienza lunare.

Lanciato dalla Nasa e completamente open source, il modello si chiama Nasa-Ibm Lunar Foundation Model ed è stato sviluppato nell’ambito di una collaborazione in corso tra l’agenzia statunitense, Ibm Research e diverse istituzioni accademiche.

Analizzando rapidamente enormi quantità di dati, il modello aiuterà i ricercatori a comprendere meglio la superficie accidentata della Luna, mappando i crateri da impatto, identificando giovani strutture vulcaniche e stimando le aree in cui potrebbe esserci ghiaccio vicino ai poli lunari.

A differenza dei modelli tradizionali, i foundation model vengono pre-addestrati su enormi quantità di dati grezzi e non classificati. Le conoscenze generali acquisite durante il pre-addestramento possono poi essere adattate a numerosi compiti di ricerca lunare, permettendo di accelerare l’analisi dei dati e la ricerca scientifica in diversi ambiti.

I dati utilizzati per il pre-addestramento del modello sono quelli raccolti in 17 anni dalla sonda Nasa Lunar Reconnaissance Orbiter (Lro), più numerosi di tutte le altre missioni planetarie della Nasa messe insieme.
Questa gigantesca mole di informazioni ha permesso di realizzare un mosaico ad alta risoluzione, quasi continuo, dell’intera superficie della Luna.

L’addestramento del modello Nasa-Ibm si è basato su circa 2 milioni di porzioni di immagini della superficie lunare ricavate dai dati di Lro, tra cui oltre 1 milione di immagini ad alta risoluzione e quasi 964mila immagini multispettrali con una risoluzione di 100 metri.

Per quanto riguarda la ricerca del ghiaccio vicino ai poli, il modello potrà aiutare a identificare dove le formazioni di ghiaccio potrebbero essere stabili, sia sulla superficie sia nel sottosuolo. Si tratta soprattutto delle cosiddette regioni permanentemente in ombra, aree che non ricevono mai direttamente la luce del Sole e che rimangono abbastanza fredde da intrappolare e conservare il ghiaccio anche per miliardi di anni.

Questa mappatura potrebbe essere importante per individuare risorse potenzialmente utilizzabili durante le future missioni umane di lunga durata sulla Luna, nell’ambito del programma Artemis.

Rispetto ai metodi tradizionali, il modello Nasa-Ibm permette inoltre di identificare, conteggiare e misurare in maniera più efficiente i crateri da impatto presenti sulla superficie lunare. Il loro numero e le loro dimensioni sono infatti utilizzati per determinare l’età delle superfici planetarie e ricostruire la storia del Sistema solare.
Il conteggio dei crateri da impatto su corpi privi o quasi privi di atmosfera, come la Luna e Marte, è infatti uno dei principali metodi utilizzati dagli astronomi per stimare l’età delle superfici planetarie del Sistema solare.

Nell’ambito dello studio del vulcanismo lunare, invece, il modello aiuterà i ricercatori a identificare giovani strutture vulcaniche, note come irregular mare patches. Sebbene oggi si ritenga che la Luna non sia più vulcanicamente attiva, non sono ancora chiare oggi le tempistiche del raffreddamento lunare e lo studio di questi giovani e insoliti vulcani potrebbe aiutare gli scienziati a ricostruire con maggiore precisione l’evoluzione di questo processo.

«Questa è una delle grandi opportunità che vediamo nell’Ia: trasformare i dati su larga scala in nuove scoperte», afferma Kevin Murphy, responsabile dei dati scientifici presso il quartier generale della Nasa a Washington.

Il modello Nasa-Ibm è stato pubblico su Hugging Face in modalità open source, mettendo a disposizione il codice completo su GitHub per test e sperimentazioni.

Immagine in evidenza: un mosaico composto da 10 immagini, acquisito dalla Narrow Angle Camera della sonda Lunar Reconnaissance Orbiter della Nasa tra giugno 2012 e aprile 2016, che mostra la struttura vulcanica Mons Rümker e le pianure dei mari lunari circostanti. Crediti: Nasa/Gsfc/Arizona State University

👉 Seguici anche sul nostro canale WhatsApp! 🚀