آیا هوش مصنوعی نسل جدید می‌تواند به ترسیم نقشه پایگاه‌های فضایی آینده کمک کند؟
پژوهش نشان می‌دهد هوش مصنوعی می‌تواند داده‌های مکانی ماه را به اطلاعات دقیق و کاربردی برای مأموریت‌های فضایی تبدیل کند.
برنامه‌ریزی برای یک سفر موفق می‌تواند دشوار باشد؛ به‌ویژه زمانی که مقصد، فضای خارج از زمین است.
مأموریت‌های فضایی حتی پیش از پرتاب به حجم عظیمی از آمادگی‌های علمی و تحلیل داده نیاز دارند؛ فرایندی که ممکن است سال‌ها طول بکشد. بااین‌حال، در شرایطی که سازمان‌های فضایی برای ایجاد حضور دائمی در ماه با یکدیگر رقابت می‌کنند، استفاده از هوش مصنوعی برای گردآوری این اطلاعات در قالب یک سامانه واحد می‌تواند برنامه‌ریزی مأموریت‌ها را بسیار کارآمدتر کند.
گوکچه اینال، دانشجوی دکتری رشته مهندسی عمران، محیط‌زیست و ژئودزی در دانشگاه ایالتی اوهایو، سامانه‌ای مبتنی بر هوش مصنوعی طراحی کرده است که به دانشمندان کمک می‌کند محل‌های بالقوه فرود روی ماه را ارزیابی کنند، خطراتی را که ممکن است فضانوردان آینده با آن‌ها روبه‌رو شوند شناسایی کنند و مناطق تازه را برای یافتن ویژگی‌های زمین‌شناختی باارزش از نظر علمی بررسی کنند.
اینال گفت: «سامانه‌های هوش مصنوعی به ابزارهایی ضروری برای اکتشافات فضایی تبدیل خواهند شد و به انسان‌ها کمک می‌کنند میلیون‌ها تصویر و مجموعه‌داده‌ای را تحلیل کنند که مأموریت‌های آینده به آن‌ها نیاز خواهند داشت. هدف این پژوهش، ایجاد پلی میان این دو حوزه، یعنی هوش مصنوعی و علوم سیاره‌ای، است.»
فرود آمدن روی ماه امروزه از هر زمان دیگری دشوارتر شده است. بااین‌حال، نتایج اولیه مدل اینال که «لومینا» (LUMINA) نام دارد، نشان می‌دهد این سامانه توانایی بالایی در انجام مشاهدات پیچیده از ماه و ارائه توضیحات علمی معنادار درباره محل‌های پیشنهادی فرود دارد. این قابلیت‌ها می‌توانند به برنامه‌ریزان مأموریت‌ها کمک کنند مناطقی را پیدا کنند که از یخ آب و دیگر منابع برخوردارند.
به گفته اینال، لومینا بر پایه مدل بنیادی بینایی و زبان ویژه ماه با نام LLaVA-LE ساخته شده است؛ مدلی که پیش‌تر برای توصیف عوارض سطح ماه و پاسخ‌گویی به پرسش‌های علمی توسعه یافته بود. لومینا این پژوهش را یک گام فراتر می‌برد و از چارچوبی بهره می‌گیرد که می‌تواند تحلیل‌های چندمرحله‌ای را برنامه‌ریزی و اجرا کند، محل‌های احتمالی فرود روی ماه را ارزیابی کند و شواهد پشت توصیه‌های خود را توضیح دهد.
اینال لومینا را با هدف پیشبرد مأموریت‌های قمری توسعه داده است، اما آن را نه ماشینی نیمه‌خودمختار، بلکه سامانه‌ای برای پشتیبانی از تصمیم‌گیری می‌داند که باید در کنار برنامه‌ریزان مأموریت فعالیت کند و تصمیم‌گیری نهایی را به آن‌ها بسپارد.
او گفت: «بیشتر ابزارهای هوش مصنوعی منفعل هستند؛ شما پرسشی مطرح می‌کنید و پاسخی دریافت می‌کنید. اما ما در حال حرکت به‌سوی دستیار علمی فعالی هستیم که بتواند در کنار متخصصان، یک مسئله را بررسی و حل کند.»
اینال یافته‌های خود را در ماه جاری میلادی در پنجاه‌وهشتمین نشست سالانه بخش علوم سیاره‌ای انجمن نجوم آمریکا، موسوم به DPS 58، ارائه کرد.
به گفته آلپر ییلماز، همکار این پژوهش و استاد رشته مهندسی عمران، محیط‌زیست و ژئودزی در دانشگاه ایالتی اوهایو، یکی از اهداف اصلی این پروژه، فراهم کردن زمینه استفاده از سامانه‌های عامل‌محور در پشتیبانی از اکتشافات فضایی آینده است. بااین‌حال، کاربردهای لومینا به تفسیر داده‌های سطح ماه محدود نمی‌شود؛ این مدل می‌تواند در پژوهش و اکتشاف و همچنین نقشه‌برداری از سطح اجرام سیاره‌ای دیگر، از جمله زمین، نیز به کار گرفته شود.
ییلماز گفت: «مدل‌های نقشه‌محور شبیه GPT که برای اکتشافات فضایی توسعه یافته باشند، چندان زیاد نیستند. بنابراین، تلاش ما بر ساخت مدلی متمرکز است که بتوان آن را به سطوح دیگر، مانند مریخ یا برخی سیارک‌ها، نیز تعمیم داد.»
به گفته ییلماز، با پیشرفته‌تر شدن مجموعه‌داده‌های جدید، برنامه‌ریزان مأموریت‌ها به ابزارهای کارآمدتری مانند این مدل نیاز خواهند داشت تا بتوانند داده‌ها را بررسی کنند. در غیر این صورت، یافتن بهترین مکان‌ها برای فرود فضانوردان آینده یا انجام تحقیقات میدانی، مانند جست‌وجوی سوزنی در انبار کاه خواهد بود.
او افزود: «انسان‌ها در محیطی به‌شدت خشن فرود خواهند آمد؛ بنابراین، داشتن یک جفت چشم دیگر که بتواند اطلاعات را بررسی کند، درباره آن‌ها پرسش مطرح کند و به ارتباط بهتر میان اعضای گروه کمک کند، ارزشمند است.»
گروه پژوهشی قصد دارد هم‌زمان با توسعه بیشتر این سامانه، آن را با داده‌های جدید و باکیفیت ماه آزمایش کند و توانایی‌اش را در پشتیبانی از برنامه‌ریزی مأموریت‌ها با دقت بیشتری ارزیابی کند.
اینال گفت: «برنامه آرتمیس ناسا فرصت‌های مهمی برای پژوهش ما فراهم می‌کند. با در دسترس قرار گرفتن داده‌های جدید درباره ماه، نتایج این برنامه می‌توانند به بهبود سامانه‌هایی مانند سامانه ما کمک کنند و پشتیبانی بهتری از برنامه‌ریزی مأموریت‌های آینده به عمل آورند.»