NASA e IBM pubblicano un’AI gratuita che individua il ghiaccio d’acqua lunare con il 22% di precisione in più

Trovare ghiaccio d’acqua sulla Luna è uno dei problemi più complessi della scienza planetaria. Il ghiaccio non è distribuito in modo uniforme, si nasconde in crateri perennemente in ombra ai poli, e identificarlo dall’orbita richiede di distinguere deboli segnali spettrali dal rumore strumentale. Il Lunar Foundation Model di IBM e NASA è progettato specificamente per questo problema.

Il Lunar Foundation Model è un’IA open-source addestrata su oltre due milioni di immagini provenienti da cinque veicoli spaziali in orbita lunare: il Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector, SELENE/Kaguya e altri. È disponibile su Hugging Face e GitHub attraverso il framework geospaziale TerraTorch di IBM, senza alcun costo.

Nei test di benchmark, il modello identifica i depositi di ghiaccio d’acqua con una precisione superiore del 22% rispetto ai metodi precedenti. Individua inoltre i crateri lunari con una precisione maggiore del 19%. Significativamente, raggiunge queste prestazioni utilizzando la metà dei dati di addestramento etichettati richiesti da modelli comparabili — una caratteristica importante per la scienza lunare, dove i dataset etichettati sono costosi da produrre.

Il valore pratico risiede nella mappatura delle risorse per il programma Artemis. La NASA prevede di stabilire una presenza umana sostenuta vicino al polo sud lunare, dove il ghiaccio d’acqua potrebbe essere convertito in acqua potabile, ossigeno e propellente per razzi. Sapere dove si trova effettivamente il ghiaccio, e quanto ce n’è, influenza direttamente la selezione dei siti di atterraggio e la pianificazione delle infrastrutture.

Il modello è rilasciato con una licenza aperta perché sia IBM che NASA contribuiscono ad esso nell’ambito di ricerche finanziate pubblicamente. Renderlo liberamente disponibile significa che scienziati di università, agenzie spaziali e aziende private possono utilizzarlo, valutarlo e migliorarlo senza ostacoli legati alle licenze. TerraTorch, il framework IBM su cui si basa, gestisce la pipeline sottostante dei dati geospaziali.

Il dato del miglioramento del 22% è un risultato di benchmark — un confronto con altri modelli su un dataset di test standardizzato, non una misurazione da una missione operativa reale. Se il Lunar Foundation Model migliorerà effettivamente il processo decisionale delle missioni dipende da quanto le condizioni del benchmark rispecchino i dati reali di osservazione lunare, che variano in base alla geometria orbitale, alla calibrazione degli strumenti e agli angoli di illuminazione solare. Non è stata ancora pubblicata una validazione indipendente da parte di gruppi non affiliati a IBM o NASA.

Il Lunar Foundation Model è disponibile su Hugging Face e GitHub. IBM e NASA non hanno fissato una tempistica per l’integrazione del modello nella pianificazione attiva delle missioni Artemis.

Tag: intelligenza artificiale, nasa, AI open source, IBM, esplorazione lunare, Lunar Foundation Model