Eerste open-source-tools voor maankartografie
Het open-source NASA-IBM Lunar Foundation Model is bedoeld om de verkenning van de maan te ondersteunen. Missie: decennia aan waarnemingen omzetten in een basis voor nieuwe ontdekkingen. En zo wetenschappers helpen patronen in de gegevens te ontdekken op een ongekende schaal.
Het NASA-IBM Lunar Foundation Model, een van de eerste voor het publiek toegankelijke basismodellen voor wetenschappelijke verkenning van de maan, is nu als open source beschikbaar. Dit model is getraind op een uitgebreide dataset van maanwaarnemingen, geselecteerd door onderzoekers van IBM en de NASA, en helpt wetenschappers om decennia aan complexe gegevens afkomstig van diverse instrumenten om te zetten in bruikbare informatie, waarmee het de doelstelling van een duurzame menselijke aanwezigheid op de maan ondersteunt.
De topografie van de maan verandert voortdurend, zo benadrukt de NASA. In de loop der tijd zijn er op het maanoppervlak kraters ontstaan, heeft zich ijs verspreid en heeft er vulkanische activiteit plaatsgevonden. Al decennia lang observeren sensoren en instrumenten de maan continu, wat petabytes aan gegevens oplevert. Om het maanoppervlak te bestuderen, moeten wetenschappers echter ofwel handmatig kaarten en beelden bestuderen, ofwel gebruikmaken van machine learning-modellen met lage resolutie die zijn toegespitst op specifieke taken. Deze methoden kunnen zeer veel rekenkracht vergen en missen de wetenschappelijke nauwkeurigheid die nodig is om geografische kenmerken te identificeren en te analyseren.
Met het oog op een toekomstige maanbasis
Zal het NASA-IBM Lunar Foundation Model onderzoekers in staat stellen de wetenschappelijke vooruitgang te versnellen door verborgen verbanden te identificeren tussen maangegevens van zeer uiteenlopende soorten en resoluties. Deze eerste open-source dataset van maangegevens wordt aangeboden als een uniform, voor machine learning gereed geheel, dat meer dan 30 ruimtelijk uitgelijnde lagen uit negen instrumenten en vier missies omvat. Deze dataset combineert tienduizenden beelden en kaarten die de unieke geofysische eigenschappen van het maanoppervlak illustreren – afkomstig van de LRO-sonde (Lunar Reconnaissance Orbiter) en de GRAIL-missie van de NASA – en integreert tegelijkertijd aanvullende maangegevens van de SELENE/ Kaguya van het Japanse ruimteagentschap (JAXA), om zo een rijke en multimodale dataset te vormen.
Onderzoekers zouden dit model kunnen gebruiken om diverse maanverschijnselen te bestuderen. Zo bijvoorbeeld de mogelijke afzettingen van maanijs. Gebieden die voortdurend in de schaduw liggen, behoren tot de moeilijkst waarneembare omgevingen op de maan, hoewel ze onder hun oppervlak ijs kunnen herbergen. Maanijs wijst op de aanwezigheid van water en zuurstof, grondstoffen die essentieel worden geacht voor een toekomstige maanbasis en voor de productie van brandstof voor toekomstige missies naar Mars.
Voor veiligere toekomstige maanlandingen
Wie ijs zegt, zegt vulkanische geschiedenis. Wetenschappers bestuderen de vulkanische formaties op de maan, de zogenaamde „Irregular Mare Patches”, om meer inzicht te krijgen in de vulkanische geschiedenis en de thermische evolutie van de maan. Bovendien is het in kaart brengen van deze veranderende gebieden van strategisch belang voor toekomstige operaties op het maanoppervlak. Door gebruik te maken van onvolmaakte labels geeft het model een beter beeld van de omvang van de vulkanische formaties dan het basismodel, waardoor het een vergelijkbare nauwkeurigheid biedt en tegelijkertijd een hogere efficiëntie en lagere kosten voor fijnafstemming garandeert.
Een ander onderzoeksgebied is de detectie van kraters. Kraters vormen een van de belangrijkste en meest kenmerkende eigenschappen van de maan. Ze kunnen cruciale aanwijzingen geven over de geschiedenis van de maan, zoals de leeftijd van de verschillende terreinen, hun geologie en de chemische samenstelling van het primitieve maaninterieur. Het in kaart brengen van kraters helpt de NASA ook bij het selecteren van veilige landingsplaatsen, het vermijden van gevaren (zoals steile hellingen en rotsblokken) en het plannen van de locatie van maaninfrastructuur op de lange termijn. Dankzij dit model kunnen onderzoekers kraters nu identificeren, in hun context plaatsen en classificeren met een resolutie in de orde van grootte van meters.
De maan op grote schaal verkennen
„Het NASA Lunar Foundation Model illustreert wat er mogelijk is door AI toe te passen op de petabytes aan wetenschappelijke gegevens van de NASA”, aldus Kevin Murphy, Chief Science Data Officer en waarnemend Chief Data and AI Officer bij de NASA. „Het is onze ambitie om de maan op grote schaal te verkennen door waarnemingen van verschillende instrumenten met elkaar te koppelen, patronen bloot te leggen die afzonderlijk moeilijk te herkennen zijn en een open platform te bieden waarop de wereldwijde wetenschappelijke gemeenschap kan voortbouwen.”
