In questo articolo Indice dei contenuti 2 sezioni
Cercare ghiaccio e crateri sulla Luna sarà presto un lavoro affidato in buona parte all’intelligenza artificiale, e non per moda tecnologica ma per necessità pratica. Gli archivi accumulati in decenni di missioni contengono una mole di immagini che nessun gruppo di ricercatori riuscirebbe a spulciare con i metodi tradizionali. Il problema, insomma, non è più raccogliere i dati, è riuscire a guardarli tutti.
Da qui nasce il lavoro congiunto di NASA e IBM, che hanno messo a punto il Lunar Foundation Model, un modello di intelligenza artificiale open source addestrato in larga parte sui dati raccolti dal Lunar Reconnaissance Orbiter. L’approccio è meno esotico di quanto sembri. Invece di costruire ogni volta un algoritmo su misura, partendo da zero per ogni singola domanda scientifica, si parte da una base che ha già imparato a riconoscere le caratteristiche della superficie lunare. Poi ciascun gruppo di ricerca la adatta al proprio scopo, che si tratti di mappare depositi di ghiaccio, catalogare crateri o studiare la composizione del suolo.
Come è stato addestrato il modello lunare
I numeri dell’addestramento aiutano a capire la scala dell’operazione. Sono state usate circa 2 milioni di porzioni di immagini, ritagli che il sistema ha analizzato uno per uno per costruirsi una specie di memoria visiva della Luna. Oltre un milione di questi frammenti arriva da fotografie ad alta definizione, con una risoluzione di circa un metro, il livello di dettaglio che permette di distinguere formazioni piccole e irregolarità del terreno. Quasi 964.000 sono invece immagini multispettrali con risoluzione di 100 metri, quindi meno nitide ma capaci di restituire informazioni sulla composizione dei materiali, cosa che l’occhio umano da solo non coglierebbe.
Non c’è solo il Lunar Reconnaissance Orbiter, però. Al pacchetto si aggiungono dati provenienti da altre missioni, tra cui GRAIL, che ha studiato il campo gravitazionale lunare, Lunar Prospector e la giapponese SELENE. Mettere insieme fonti così diverse significa dare al modello una visione più completa, perché ogni missione ha osservato la Luna con strumenti differenti e da prospettive differenti.
Perché un modello open source cambia le regole del gioco
La scelta di rendere il Lunar Foundation Model aperto non è un dettaglio secondario. Significa che laboratori, università e gruppi di ricerca anche piccoli possono partire da una base già solida invece di dover investire tempo e risorse enormi per costruirsi da soli un sistema equivalente. È lo stesso principio che ha reso interessanti i modelli fondazionali in altri campi, dalla meteorologia all’analisi dei terreni sulla Terra, applicato stavolta a un corpo celeste che continua a essere al centro dei programmi spaziali.
L’aspetto più interessante riguarda il tipo di domande che diventa possibile porre. Individuare tracce di ghiaccio, ad esempio, è un obiettivo tutt’altro che accademico, perché la presenza di acqua in forma solida nelle regioni polari è una delle variabili decisive per qualsiasi ipotesi di presenza umana prolungata sulla superficie lunare. Lo stesso vale per la mappatura dei crateri, che serve sia alla ricerca pura sia alla pianificazione dei siti di atterraggio.
Il salto, in sostanza, riguarda la velocità. Analisi che prima richiedevano mesi di lavoro manuale su singole porzioni di mappa possono essere affrontate su scala molto più ampia, lasciando agli scienziati il compito di interpretare i risultati invece di passare il tempo a setacciare immagini. L’intelligenza artificiale qui non sostituisce la ricerca, fa il lavoro di sgrossatura che rende la ricerca possibile su archivi di queste dimensioni.
