ناسا در ۱۰ سپتامبر ۲۰۲۶ اعلام کرد مدل پایهٔ هوش مصنوعی ناسا–آی‌بی‌ام برای علم ماه (NASA-IBM Lunar Foundation Model) را منتشر کرده‌است. این مدل از جملهٔ نخستین مدل‌های متن‌باز هوش مصنوعی است که به‌طور ویژه برای علم ماه ساخته شده و عمدتاً با داده‌های مدارگرد شناسایی ماه (Lunar Reconnaissance Orbiter یا LRO) آموزش دیده‌است. نسخهٔ عمومی روی Hugging Face میزبانی می‌شود و کد کامل برای آزمایش و توسعه روی GitHub در دسترس است.
هدف اعلام‌شده، شتاب‌بخشیدن به تحلیل حجم بزرگ دادهٔ سطح ماه است تا پژوهشگران بتوانند نقشهٔ سطح ناهموار، گذشتهٔ زمین‌شناختی و برنامه‌های پژوهشی آینده را سریع‌تر بررسی کنند. به گفتهٔ کوین مورفی، مسئول ارشد دادهٔ علمی و مسئول موقت داده و هوش مصنوعی ناسا در مقر واشینگتن، ناسا دهه‌ها سابقهٔ علمی از ماه ساخته اما جمع‌آوری داده تنها بخشی از کار است؛ باید داده را برای کاوش و استفادهٔ دانشمندان آسان‌تر کرد. او مدل ناسا–آی‌بی‌ام را نمونه‌ای از تبدیل پتابایت‌های دادهٔ علمی به امکان کشف تازه دانسته‌است.
آموزش مدل پایهٔ هوش مصنوعی ماه با دادهٔ LRO
برخلاف مدل‌های سنتی که برای هر وظیفه باید از صفر الگوریتم تخصصی ساخته و آموزش داده شود، مدل‌های پایه روی مجموعه‌های بزرگ و بدون برچسب از پیش آموزش می‌بینند و با تنظیم ظریف می‌توانند به چند حوزهٔ علمی تعمیم یابند. دادهٔ حدود ۱۷ سال مأموریت LRO برای این کار مناسب اعلام شده‌است؛ پوشش تقریباً یکپارچه و با تفکیک بالا از سطح ماه، حجمی بزرگ‌تر از مجموع سایر مأموریت‌های سیاره‌ای ناسا دارد.
مدل ناسا–آی‌بی‌ام روی حدود ۲ میلیون کاشی تصویری آموزش دیده‌است؛ شامل بیش از ۱ میلیون تصویر دوربین با تفکیک یک‌متری و نزدیک به ۹۶۴ هزار تصویر چندطیفی با تفکیک ۱۰۰ متری. افزون بر LRO، تصاویر و دادهٔ توپوگرافی مأموریت‌هایی مانند GRAIL ناسا، Lunar Prospector و کاوشگر سلنولوژیک و مهندسی ژاکسا (SELENE) نیز در آموزش به‌کار رفته‌است.
اگر با نقشه‌برداری دهانهٔ برخوردی یا دادهٔ مدارگرد ماه کار کرده‌اید، در بخش دیدگاه‌ها بنویسید کدام کاربرد برای پژوهش شما عملی‌تر است؛ تجربهٔ کاربران معمولاً محدودهٔ کاربرد اعلام‌شده را روشن‌تر می‌کند.
کاربردها؛ دهانه، یخ قطبی و پچ‌های نامنظم ماری
چون مدل از پیش آموزش دیده‌است، دانشمندان سیاره‌ای می‌توانند با مقدار کمی دادهٔ برچسب‌دار آن را برای وظایف مختلف سازگار کنند؛ از جمله نقشه‌برداری دهانه‌ها، شناسایی عوارض آتشفشانی جوان معروف به پچ‌های نامنظم ماری (irregular mare patches)، و برآورد محل‌هایی که یخ نزدیک قطب‌های ماه ممکن است پایدار بماند. در مناطق همیشه در سایه، دما به‌قدر کافی پایین است که یخ تا میلیاردها سال حفظ شود؛ مطالعهٔ این نواحی هم به تاریخ ماه مربوط است و هم به نقشه‌برداری منابع بالقوه برای اکتشاف آینده.
نقشه‌برداری دهانه برای تاریخ‌گذاری سطح و بازسازی تاریخ منظومهٔ شمسی اهمیت دارد؛ مدل می‌تواند شناسایی و اندازه‌گیری دهانه‌ها را نسبت به روش دستی سریع‌تر کند. در ارزیابی‌ها، مدل با چند مدل پایهٔ قوی مقایسه شده و در نقشه‌برداری دهانه و قطعه‌بندی پچ‌های نامنظم ماری نتایج هم‌سطح یا بهتر داشته و در برآورد پایداری یخ قطبی برتری واضحی نشان داده‌است. در یک آزمون، مدل دهانه‌های موجود و یک دهانهٔ تازهٔ ناشی از برخورد بدنهٔ راکت را نیز تشخیص داد؛ تصویری که پس از برخورد در پیش‌آموزش نبوده و نشان می‌دهد با تنظیم ظریف می‌توان تغییرات سطحی تازه را در مجموعه داده‌های بزرگ ردیابی کرد.
این مدل بخشی از همکاری گسترده‌تر ناسا و آی‌بی‌ام در هوش مصنوعی برای علم است و در کنار خانوادهٔ مدل‌های Prithvi (مشاهدهٔ زمین) و مدل Surya (هلیوفیزیک و آب‌وهوای فضایی) قرار می‌گیرد. تیم Impact AI در مرکز پرواز فضایی مارشال با بخش سیاره‌ای ناسا، مرکز گودارد و مرکز ایمز همکاری کرده‌است. مجموعهٔ دادهٔ آمادهٔ یادگیری ماشین، بنچمارک‌ها و یکپارچگی با جعبهٔ ابزار متن‌باز TerraTorch نیز منتشر شده و مقالهٔ همراه روی Hugging Face در دسترس است. ارقام و نقل‌قول‌های این گزارش از صفحهٔ رسمی NASA Science در ۱۰ سپتامبر ۲۰۲۶ گرفته شده‌است.
آیا انتشار متن‌باز مدل‌های پایهٔ فضایی را بیشتر برای پژوهش دانشگاهی مفید می‌دانید یا برای برنامه‌ریزی اکتشاف؟
بعد از خواندن مطلب بپرسید؛ پاسخ فقط از همین مقاله است.
این مطلب برایتان مفید بود؟
رها رضایی خبرنگار آموزش، ترفند و بررسی فیسیت است. آموزش‌های قدم‌به‌قدم، ترفندهای روزمره و بررسی محصول را می‌نویسد؛ مخاطب باید بعد از خواندن بتواند کار مشخصی را انجام دهد یا بفهمد یک محصول ارزش خرید دارد یا نه.
بخش‌هایی که میز هوش مصنوعی یا موبایل/گجت نیستند — از راهنمای خرید تا علمی، خودرو و سرگرمی — هم معمولاً با اوست. سبک کارش ساده است و از اصطلاحات فنی بی‌جهت پرهیز می‌کند.
اوپن‌ای GPT-Live-1 را در API معرفی کرد؛ صدای دوطرفه برای ایجنت‌ها
داریو آمودی: باید سرعت پیشروی مدل‌های مرزی هوش مصنوعی را تنظیم کرد
معرفی Agents API اوپن‌ای؛ بتای عمومی برای ساخت ایجنت‌های ابری
نظرات کاربران