AI học địa hình Mặt Trăng từ hai triệu mảnh ảnh như thế nào?

Khoảng hai triệu mảnh dữ liệu về Mặt Trăng đã được dùng để huấn luyện trước một mô hình AI do NASA và IBM Research phát triển. Phần lớn dữ liệu đến từ tàu Lunar Reconnaissance Orbiter (LRO), gồm hơn một triệu ảnh camera có độ phân giải khoảng 1 mét và gần 964.000 ảnh đa phổ có độ phân giải khoảng 100 mét. Thay vì chỉ học cách thực hiện một nhiệm vụ, mô hình xây dựng nền tảng nhận biết chung về bề mặt Mặt Trăng, rồi có thể được điều chỉnh cho từng câu hỏi khoa học cụ thể. [1]

Giá trị của cách làm này không nằm ở việc AI tự giải thích lịch sử Mặt Trăng. Nó nằm ở khả năng biến một kho quan sát quá lớn để xem thủ công thành công cụ tìm kiếm mẫu hình: đâu có thể là hố va chạm, cấu trúc núi lửa khác thường hoặc vùng có điều kiện giúp băng tồn tại. Nhà khoa học vẫn phải kiểm tra và diễn giải kết quả, nhưng không nhất thiết xây dựng một hệ thống mới từ đầu cho mỗi bài toán. [1]

Mô hình thực sự học điều gì?

Mô hình nền tảng được huấn luyện trước trên lượng lớn dữ liệu chưa gán nhãn. Trong giai đoạn này, nó không cần mỗi mảnh ảnh đều có chú thích kiểu “đây là hố va chạm” hay “đây là đồng bằng bazan”. Mục tiêu là học những đặc trưng hình ảnh có thể tái sử dụng, chẳng hạn ranh giới, kết cấu, hình dạng và quan hệ không gian giữa các vùng. Những đặc trưng ấy tạo thành một cách biểu diễn bằng số mà các nhiệm vụ chuyên biệt có thể khai thác sau này. [1]

Có thể hình dung quá trình này như việc một người xem rất nhiều bản đồ trước khi được giao tìm một loại địa hình cụ thể. Người đó chưa có sẵn câu trả lời cho từng vị trí, nhưng đã quen với cách ánh sáng, bóng tối, đường viền và bề mặt thay đổi trên bản đồ. So sánh này chỉ minh họa nguyên lý: mô hình không có trải nghiệm hay trực giác như con người, mà phát hiện các quy luật thống kê lặp lại trong dữ liệu.

Vì sao cần cả ảnh chi tiết và ảnh đa phổ?

Ảnh có độ phân giải khoảng 1 mét cho phép mô hình tiếp xúc với các chi tiết nhỏ của bề mặt, còn ảnh đa phổ khoảng 100 mét ghi nhận cùng khu vực qua nhiều dải bước sóng. Hai loại dữ liệu vì thế không hoàn toàn thay thế nhau: một loại nhấn mạnh cấu trúc không gian ở quy mô nhỏ, loại kia bổ sung thông tin về sự khác biệt trong cách vật liệu phản xạ ánh sáng. Việc học từ cả hai giúp mô hình có nền biểu diễn rộng hơn cho các nhiệm vụ về hình thái và thành phần bề mặt. [1]

Dữ liệu huấn luyện còn bao gồm ảnh độ phân giải cao và dữ liệu địa hình từ các sứ mệnh như GRAIL, Lunar Prospector và Selenological and Engineering Explorer của JAXA. Điều đó không có nghĩa mọi phép đo được trộn thành một bức ảnh duy nhất. Chúng là những kiểu quan sát bổ sung, cho phép hệ thống tiếp xúc với nhiều cách mô tả Mặt Trăng hơn trong giai đoạn huấn luyện trước. [1]

Một nền tảng phục vụ nhiều nhiệm vụ ra sao?

Sau khi huấn luyện trước, nhóm nghiên cứu có thể tinh chỉnh mô hình bằng một tập dữ liệu gán nhãn nhỏ hơn cho nhiệm vụ mong muốn. Nếu cần lập bản đồ hố va chạm, các mẫu huấn luyện bổ sung sẽ chỉ cho hệ thống đâu là hố và đâu là địa hình dễ gây nhầm lẫn. Nếu mục tiêu chuyển sang nhận diện một cấu trúc núi lửa, cùng nền tảng ban đầu được điều chỉnh bằng loại nhãn khác. Phần kiến thức hình ảnh chung không phải học lại hoàn toàn. [1]

Đây là khác biệt quan trọng so với việc tạo một thuật toán riêng từ đầu cho từng câu hỏi. Gán nhãn dữ liệu khoa học thường đòi hỏi người có chuyên môn và thời gian kiểm tra, nên khả năng thích nghi với ít mẫu gán nhãn hơn có thể giảm đáng kể công việc chuẩn bị. Tuy nhiên, “ít hơn” không đồng nghĩa với không cần nhãn: mô hình vẫn phải được chỉ dẫn và đánh giá bằng các ví dụ phù hợp với nhiệm vụ cụ thể. [1]

Ba ứng dụng cho biết gì về Mặt Trăng?

Ứng dụng thứ nhất là phát hiện và đo hố va chạm. Mỗi hố ghi lại một sự kiện va đập, vì vậy số lượng, kích thước và sự phân bố của chúng góp phần hỗ trợ việc xác định tuổi tương đối của các bề mặt và tái dựng lịch sử Hệ Mặt Trời. AI có thể đẩy nhanh khâu khoanh vùng, để nhà nghiên cứu dành nhiều thời gian hơn cho việc kiểm tra kết quả và giải thích ý nghĩa địa chất. [1]

Ứng dụng thứ hai nhắm tới các mảng biển Mặt Trăng bất quy tắc, tức những cấu trúc núi lửa có hình thái khác thường và trông tương đối trẻ. Việc lập bản đồ chúng có thể giúp khảo sát lịch sử nguội đi của Mặt Trăng. Mô hình chỉ nhận diện những vùng có đặc trưng phù hợp; kết luận về nguồn gốc hoặc tuổi của từng cấu trúc vẫn cần phân tích địa chất, thay vì được suy ra trực tiếp từ nhãn do AI tạo. [1]

Ứng dụng thứ ba là ước tính nơi băng có khả năng ổn định trên hoặc dưới bề mặt gần hai cực. Các vùng bị che khuất vĩnh viễn có thể đủ lạnh để giữ băng trong thời gian rất dài. Đây là bài toán về điều kiện ổn định, không phải lời khẳng định rằng mô hình đã nhìn thấy băng ở mọi vị trí được đánh dấu. Kết quả có thể giúp ưu tiên những khu vực đáng khảo sát về lịch sử Mặt Trăng và nguồn tài nguyên tiềm năng. [1]

AI thay đổi công việc nghiên cứu ở điểm nào?

Trong các nhiệm vụ được đánh giá, mô hình NASA-IBM đạt kết quả tương đương hoặc tốt hơn một số mô hình đối chứng mạnh: hiệu quả tương đương khi lập bản đồ hố va chạm và phân vùng các mảng biển bất quy tắc, đồng thời thể hiện lợi thế rõ hơn ở bài toán ước tính độ ổn định của băng vùng cực. Kết quả này chỉ phản ánh các phép đánh giá đã thực hiện, không bảo đảm mô hình sẽ vượt trội với mọi loại dữ liệu hay mọi câu hỏi về Mặt Trăng. [1]

Mô hình, mã nguồn, bộ dữ liệu phục vụ học máy và các bộ chuẩn đánh giá đã được công bố để cộng đồng thử nghiệm, so sánh và cải tiến. Việc mở công cụ giúp các nhóm nghiên cứu bắt đầu từ cùng một nền tảng và kiểm tra khả năng thích nghi của nó với câu hỏi mới. Vai trò đáng chú ý nhất của AI ở đây là thu hẹp khoảng cách giữa dữ liệu đã thu thập và phần dữ liệu con người thực sự có thể khảo sát, chứ không thay thế bước xác nhận khoa học. [1]