NASA và IBM ra mắt mô hình AI mã nguồn mở hỗ trợ nghiên cứu Mặt Trăng

Theo tin từ IT ngày 10 tháng 9, mùa xuân năm nay, sứ mệnh Artemis 2 của NASA đã hoàn thành chuyến bay lướt qua Mặt Trăng mang tính lịch sử, đánh dấu lần đầu tiên con người bay quanh Mặt Trăng kể từ năm 1972. Vào ngày 6 tháng 4, các phi hành gia Reid Wiseman, Christina Koch, Victor Glover và Jeremy Hansen đã đặt chân đến vùng không gian ngoài Trái Đất xa hơn bất kỳ ai trước đây. Hiện nay, trong khi chuẩn bị cho các sứ mệnh tiếp theo thuộc chương trình Artemis, NASA đang hợp tác với IBM để xây dựng các công cụ nghiên cứu Mặt Trăng hoàn toàn mới cho các nhà khoa học.

Vào thứ Năm theo giờ địa phương, hai bên đã cùng công bố mô hình nền tảng (foundation model) về Mặt Trăng của NASA-IBM. Đây là một hệ thống trí tuệ nhân tạo mã nguồn mở, có thể tải xuống trên nền tảng Hugging Face. Tiến sĩ Juan Bernabé-Moreno, Giám đốc Viện nghiên cứu IBM tại châu Âu, Anh và Ireland, cho biết với tư cách là một mô hình nền tảng, nó có thể thực hiện nhiều nhiệm vụ khác nhau. Trước hết, NASA và IBM nhận thấy mô hình này đặc biệt hiệu quả trong việc xác định các khu vực có khả năng tồn tại băng trên bề mặt Mặt Trăng.

IT lưu ý rằng, hai bên đã thực hiện một bài kiểm tra đối chứng: so sánh kết quả dự đoán của mô hình với một bộ bản đồ Mặt Trăng được tạo ra dựa trên quy trình nghiên cứu khoa học bài bản, vốn tích hợp dữ liệu địa hình, nhiệt độ và các dữ liệu môi trường khác. Nhóm nghiên cứu cũng so sánh mô hình này với SwinV2-B, một mô hình xử lý thị giác hình ảnh độ phân giải cao do Microsoft phát triển; kết quả là sai số nhận diện của mô hình NASA-IBM đã giảm 23%. Lý do chọn SwinV2-B làm tham chiếu là vì nó thường được sử dụng làm mô hình chuẩn cho các tác vụ phân tích hình ảnh khác nhau.

NASA và IBM cũng đã thử nghiệm khả năng nhận diện và phân loại các hố va chạm (miệng núi lửa) của mô hình. Trong thử nghiệm này, dù chỉ sử dụng một nửa lượng dữ liệu huấn luyện, hiệu suất của mô hình mới vẫn cao hơn 19% so với SwinV2-B. Ngày 5 tháng 8, một tên lửa Falcon 9 của SpaceX đã va chạm với Mặt Trăng, nhóm nghiên cứu đã tận dụng cơ hội này để kiểm chứng năng lực của mô hình. Sau khi IBM đưa hình ảnh vụ va chạm vào mô hình, nó đã xác định chính xác hố va chạm mới hình thành, ngay cả khi hố mới này chồng lấp phần lớn lên các hố va chạm cũ. Bernabé-Moreno đánh giá: "Kết quả rất xuất sắc, mô hình đã nhận diện thành công ngay từ lần đầu tiên."

Bernabé-Moreno cho biết việc huấn luyện mô hình này vốn dĩ đầy thách thức. Ông giải thích: "Trong quan sát viễn thám Trái Đất, chúng ta có thể nhận được những hình ảnh có chất lượng hoàn hảo. Khí quyển Trái Đất tán xạ ánh sáng mặt trời, ánh sáng môi trường có thể lấp đầy các vùng bóng tối, làm cho các cạnh bóng trở nên mềm mại hơn. Nhưng trên Mặt Trăng, các cạnh bóng tối sắc lẹm như dao và đen kịt. Khi chụp ảnh, các pixel trong vùng bóng tối không mang bất kỳ thông tin hữu ích nào." Ông nói thêm: "Trên Mặt Trăng, góc chiếu của ánh sáng mặt trời thay đổi theo từng thời điểm, lúc thì chiếu sáng bề mặt, lúc lại tạo ra những mảng bóng tối đậm đặc, mô hình phải xử lý những thay đổi ánh sáng này. Cùng một hố va chạm nhưng trong các bức ảnh khác nhau có thể trông hoàn toàn khác biệt."

Một khó khăn khác đến từ logic huấn luyện và kiểm thử thông thường của các mô hình thị giác máy tính. Cách làm thông thường là xóa một phần hình ảnh, sau đó để mô hình dựa trên các quy luật hình ảnh đã học được để khôi phục nội dung bị xóa. Bernabé-Moreno lấy ví dụ: "Chúng ta có thể xóa 90% hình ảnh của một hố va chạm, chỉ để lại 10% và yêu cầu mô hình khôi phục 90% còn lại." Phương pháp này không hiệu quả với bối cảnh Mặt Trăng. Lý do rất dễ hiểu: từ những bức ảnh chụp từ quỹ đạo, rất nhiều hố va chạm có ngoại hình giống hệt nhau.

Bernabé-Moreno cho biết, IBM ban đầu đã thử huấn luyện mô hình theo cách truyền thống nhưng kết quả là "thất bại hoàn toàn". Nhóm nghiên cứu cuối cùng đã nghĩ ra một phương án sáng tạo: "Chúng tôi cắt Mặt Trăng thành nhiều khối hình quạt giống như quả cam, các khối dữ liệu huấn luyện và khối dữ liệu kiểm thử được tách biệt hoàn toàn. Bằng cách này, quá trình huấn luyện mô hình có thể duy trì sự nhất quán tốt."

NASA và IBM đặt nhiều kỳ vọng vào lần ra mắt này, một trong những lý do quan trọng là việc tung ra bộ dữ liệu mã nguồn mở đầu tiên trên thế giới thuộc loại này, cho phép các nhà nghiên cứu khác phát triển các mô hình mới. Bộ dữ liệu tích hợp hàng chục nghìn hình ảnh và dữ liệu từ các thiết bị thăm dò, bao gồm Tàu quỹ đạo trinh sát Mặt Trăng (LRO) của NASA, sứ mệnh Phục hồi trọng lực và Phòng thí nghiệm nội bộ (GRAIL), cùng tàu thăm dò Mặt Trăng SELENE của Nhật Bản.

Bernabé-Moreno chia sẻ: "Trước đây chưa từng có một mô hình lớn chuyên dụng cho Mặt Trăng với đầy đủ chức năng và hiệu suất mạnh mẽ, một lý do lớn là do thiếu dữ liệu hỗ trợ được tổ chức bài bản." Việc tổ chức dữ liệu ở đây đề cập đến việc xây dựng một hệ thống lưới, để mỗi pixel trong hình ảnh đều có thể tương ứng với các dữ liệu thăm dò ở các chiều khác mà mô hình có thể truy xuất. "Chỉ riêng việc này đã là một thành tựu khoa học quan trọng. Gạt mô hình sang một bên, giới nghiên cứu hiện đã sở hữu một bộ dữ liệu đã được đăng ký và căn chỉnh, chứa hơn 2 triệu điểm dữ liệu." Ông nói thêm: "Các mô hình AI luôn bị thay thế bởi những mô hình mới hơn, nhưng dữ liệu mới chính là nền tảng hỗ trợ cho sự phát triển bền vững của các mô hình AI."