Un modello di base per la scienza lunare
Il NASA‑IBM Lunar Foundation Model è uno dei primi modelli di intelligenza artificiale di tipo foundation model rilasciati come open‑source per la ricerca scientifica sul Luna. Il progetto nasce dalla necessità di trasformare l’enorme patrimonio di dati osservazionali – accumulati da missioni come il Lunar Reconnaissance Orbiter (LRO) – in informazioni facilmente accessibili per la comunità scientifica.
Motivazione e obiettivi
Come ha sottolineato Kevin Murphy, Chief Science Data Officer della NASA, “la raccolta di dati è solo una parte del lavoro; occorre rendere questi dati utilizzabili dagli scienziati”. Il modello è progettato per apprendere da enormi quantità di dati non etichettati e, con pochi esempi etichettati, adattarsi a compiti specifici, risolvendo il problema della scarsità di label nella ricerca lunare.
Il dataset SomBench
Il cuore dell’addestramento è il corpus multimodale SomBench, definito dai ricercatori come il più grande finora disponibile per il Luna. SomBench comprende:
- circa due milioni di blocchi di tile raccolti in 17 anni di osservazioni;
- undici modalità diverse distribuite su due scale spaziali;
- ≈1 000 000 di immagini ad alta risoluzione (Narrow Angle Camera, NAC) con risoluzione di circa 1 m/pixel;
- ≈964 000 immagini multispettrali (Wide Angle Camera, WAC) con risoluzione di 100 m/pixel.
Il dataset include anche dati di gravità (missione GRAIL), idrogeno (Lunar Prospector) e mineralogia (JAXA Kaguya/SELENE). In totale, più di 30 strati di dati spazialmente allineati provenienti da nove strumenti e quattro missioni sono stati integrati.
Gestione dei dati per evitare leakage
Per garantire che il modello non “impari” accidentalmente le risposte durante la fase di validazione, i dati sono stati suddivisi geograficamente in zone di mappa anziché mescolare casualmente le singole tile. Questo approccio riduce il rischio di contaminazione tra set di addestramento, validazione e test.
Innovazioni architetturali
Il modello si basa su TerraMind, un modello multimodale originariamente sviluppato per l’osservazione della Terra, ma è stato addestrato da zero per il Luna. Una novità cruciale è l’inclusione esplicita della geometria di acquisizione (angolo di illuminazione, posizione del Sole, porzione di tile) come input contestuale. Sulla Luna, la geometria di illuminazione influisce molto più dell’effettiva composizione della superficie; fornire questi parametri al modello migliora la capacità di distinguere effetti di luce da caratteristiche reali.
Tokenizzazione e apprendimento flessibile
Le immagini, i dati di elevazione e la geometria di acquisizione sono convertiti in token, che il modello impara a correlare prevedendo parti mascherate. Grazie al meccanismo FlexiViT, lo stesso modello addestrato può gestire immagini di dimensioni diverse senza necessità di ri‑addestramento, consentendo un’applicazione versatile a compiti sia di alta che di bassa risoluzione.
Valutazione delle prestazioni
Il modello è stato testato su quattro compiti principali:
- Rilevazione di crateri a 100 m di risoluzione;
- Rilevazione di crateri a 1 m di risoluzione (NAC);
- Segmentazione di “Irregular Mare Patches” (forme vulcaniche irregolari);
- Previsione di depositi di ghiaccio d’acqua ai poli lunari.
In tutti i casi, il modello ha eguagliato o superato sia i modelli di riferimento comuni sia un modello di controllo con inizializzazione casuale, come riportato nel Technical Report.
Ghiaccio lunare: il risultato più significativo
Il vantaggio più marcato è stato osservato nella previsione di ghiaccio. Le regioni permanentemente ombreggiate ai poli, potenziali serbatoi di acqua, ossigeno e carburante, sono state modellate con un errore ridotto fino al 22 % rispetto al miglior modello di confronto, SwinV2‑B. Questo miglioramento è cruciale per future missioni di sfruttamento delle risorse in situ.
Rilevazione di crateri
Per la rilevazione di crateri su scala globale (100 m), il modello ha superato SwinV2‑B di circa 19 %, anche se l’addestramento è stato effettuato con solo la metà dei dati disponibili, indicando una maggiore efficienza nella gestione di set di label limitati. Su scala NAC (1 m), le prestazioni dei vari modelli sono state più simili, con tutti i modelli che mostrano difficoltà a causa della complessità delle immagini ad altissima risoluzione.
Segmentazione di Irregular Mare Patches
Nel compito di segmentare le Irregular Mare Patches, il modello NASA‑IBM ha identificato aree non rilevate dai modelli concorrenti, fornendo un vantaggio di circa 3 % rispetto a SwinV2‑B. Queste forme vulcaniche giovani mettono in discussione i modelli tradizionali di raffreddamento lunare.
Efficienza nella messa a punto
Una delle tecniche di adattamento utilizzate è LoRA (Low‑Rank Adaptation), che permette di modificare solo una piccola frazione dei parametri del modello. Nonostante la limitata quantità di parametri aggiornati, LoRA ha raggiunto performance comparabili al full fine‑tuning e, per la rilevazione di crateri, ha addirittura superato il fine‑tuning completo.
Contributo della struttura multicanale
Un elemento distintivo è la gestione separata di ciascuna modalità di dato, rispetto ai modelli di confronto che impilano tutti gli input in canali unificati. Questo approccio consente al modello di apprendere relazioni specifiche tra, ad esempio, immagini multispettrali e dati di elevazione, migliorando la capacità predittiva.
Accessibilità e prospettive future
Il modello è disponibile pubblicamente su Hugging Face, con il codice sorgente su GitHub e integrazione nel toolkit open‑source TerraTorch. Oltre al modello, i ricercatori hanno rilasciato i dataset pre‑addestrati e le suite di benchmark per facilitare ulteriori sperimentazioni.
Il progetto fa parte dell’iniziativa “AI for Science” tra NASA e IBM, avviata nel 2022 con un accordo Space‑Act. Dopo il rilascio del primo modello Prithvi‑Mode nel 2023, il Lunar Foundation Model rappresenta un passo avanti nella creazione di una famiglia di modelli di