NASA en IBM hebben op 10 september het NASA-IBM Lunar Foundation Model openbaar beschikbaar gemaakt. Het model is ontwikkeld voor wetenschappelijk onderzoek en moet onderzoekers helpen om complexe gegevens van verschillende maanmissies in samenhang te bekijken. Daarmee krijgt kunstmatige intelligentie een steeds prominentere rol in de voorbereiding van toekomstige maanmissies.

Het model is getraind met een omvangrijke verzameling maanwaarnemingen. Volgens NASA en IBM combineert de bijbehorende dataset meer dan dertig ruimtelijk uitgelijnde informatielagen uit negen instrumenten en vier missies. Door gegevens van verschillende bronnen te combineren, kan AI patronen herkennen die bij afzonderlijke datasets minder gemakkelijk zichtbaar zijn.

Een van de mogelijke toepassingen is het zoeken naar plekken waar zich maanijs kan bevinden. Dat is belangrijk omdat water op de maan niet alleen wetenschappelijke waarde heeft, maar ook kan bijdragen aan toekomstige infrastructuur. Water kan onder meer worden gebruikt voor de productie van zuurstof en mogelijk voor brandstof. IBM en NASA melden dat het model bij het identificeren van gebieden met een hoge kans op maanijs tot 22 procent minder fout vertoonde dan een veelgebruikte vergelijkingsmethode.

Ook het herkennen van kraters en vulkanische kenmerken behoort tot de toepassingen. Zulke analyses kunnen wetenschappers helpen om de geologische geschiedenis van de maan beter te begrijpen. Voor toekomstige missies kan nauwkeurige kaartinformatie bovendien van belang zijn bij het kiezen van veilige landingsplaatsen en locaties voor infrastructuur.

Het open-source karakter is minstens zo belangrijk als de technische prestaties. Onderzoekers buiten NASA en IBM kunnen het model gebruiken en verder ontwikkelen. Daarmee ontstaat een gedeelde basis waarop nieuwe wetenschappelijke toepassingen kunnen worden gebouwd, in plaats van dat voor ieder onderzoek opnieuw een apart AI-systeem moet worden ontwikkeld.

De ontwikkeling laat zien hoe de betekenis van AI verschuift van algemene tekst- en beeldgeneratie naar gespecialiseerde wetenschappelijke toepassingen. Voor ruimteonderzoek is dat interessant omdat moderne missies enorme hoeveelheden gegevens opleveren. De uitdaging is niet langer alleen data verzamelen, maar ook die data op een efficiënte manier omzetten in bruikbare kennis.