চাঁদের মানচিত্রে open-source AI—বরফ শনাক্তে ত্রুটি ২২% পর্যন্ত কম

NASA ও IBM ১০ সেপ্টেম্বর ২০২৬-এ চাঁদের বহু যন্ত্রের তথ্য বিশ্লেষণের জন্য open-source NASA-IBM Lunar Foundation Model উন্মুক্ত করেছে। NASA-এর প্রকাশিত বিবরণে মডেলটি Hugging Face-এ এবং পরীক্ষার পূর্ণ codebase GitHub-এ পাওয়া যাচ্ছে; সঙ্গে machine-learning-ready pre-training data ও benchmark-ও প্রকাশ করা হয়েছে।

একই তারিখের এই প্রকাশের সবচেয়ে আলোচিত ফল হলো মেরু অঞ্চলে বরফ স্থিতিশীল থাকার সম্ভাবনা অনুমানের একটি benchmark: SwinV2-B baseline-এর তুলনায় RMSE সর্বোচ্চ ২২% কম। অর্থাৎ শিরোনামের ‘বরফ শনাক্ত’ কোনো নতুন জলবরফ আবিষ্কার বা সরাসরি শনাক্তকরণ নয়; এটি সম্ভাবনামানচিত্রের পূর্বাভাসে পরিমাপ করা ত্রুটি হ্রাস। ১২ সেপ্টেম্বর প্রকাশিত Space.com-এর স্বাধীন প্রতিবেদনে মডেলটির বর্তমান উন্মুক্ত প্রাপ্যতা এবং crater, সম্ভাব্য polar ice ও তরুণ আগ্নেয় বৈশিষ্ট্য বিশ্লেষণের লক্ষ্য নিশ্চিত করা হয়েছে।

এক কাঠামোয় বহু যন্ত্র ও resolution

Foundation modelটির উদ্দেশ্য নির্দিষ্ট একটি কাজের জন্য শূন্য থেকে আলাদা algorithm তৈরির প্রয়োজন কমানো। আগে থেকেই শেখানো backbone-কে সীমিত labeled data দিয়ে crater mapping, ice prospectivity বা আগ্নেয় বৈশিষ্ট্য আলাদা করার কাজে fine-tune করা যায়। এতে একটি optical image-এর বদলে একই এলাকার ভিন্ন resolution ও ভিন্ন ধরনের পর্যবেক্ষণের সম্পর্ক ব্যবহার করা সম্ভব হয়।

Pre-training-এর প্রধান অংশ Lunar Reconnaissance Orbiter বা LRO থেকে এসেছে: প্রায় ২০ লাখ image tile-এর মধ্যে এক মিটার resolution-এর ১০ লাখের বেশি camera image এবং ১০০ মিটার resolution-এর প্রায় ৯ লাখ ৬৪ হাজার multispectral image ছিল। GRAIL, Lunar Prospector এবং JAXA-এর SELENE/Kaguya mission-এর চন্দ্রচিত্র ও terrain data-ও ব্যবহৃত হয়েছে। ফলে মডেলটি পৃষ্ঠের দৃশ্যমান গঠন, ভূপ্রকৃতি ও geophysical measurement-কে স্থানভিত্তিকভাবে মিলিয়ে শিখতে পারে।

এখানে ‘একত্র করা’ মানে সব যন্ত্রের তথ্য এক ধরনের হয়ে গেছে—এমন নয়। প্রতিটি layer-এর resolution, coverage ও measurement পদ্ধতি আলাদা; spatial alignment মডেলকে একই স্থানের সম্পর্ক শেখায়, কিন্তু অসম coverage, ছায়া, আলোর পরিবর্তন কিংবা label-এর অনিশ্চয়তা দূর করে না।

২২% ও ১৯% একই ফল নয়

IBM-এর task-ভিত্তিক benchmark বিবরণে polar-ice prospectivity-তে ImageNet-pretrained SwinV2-B-এর তুলনায় RMSE সর্বোচ্চ ২২% কমেছে; প্রায় ১০০ মিটার context-scale crater task-এ অর্ধেক training data ব্যবহার করে উন্নতি প্রায় ১৯%, আর imperfect label-সহ irregular mare patch পরীক্ষায় ব্যবধান ৩%। এক মিটার resolution-এর crater mapping-এ ফল SwinV2-B-এর সঙ্গে তুলনীয়—সেখানে ১৯% উন্নতির দাবি নেই।

IBM-এর ঘোষণার শীর্ষ সারাংশে বিভিন্ন lunar feature শনাক্তে ‘সর্বোচ্চ ২৩%’ এগিয়ে থাকার একটি বিস্তৃত প্রচারমূলক দাবি আছে, কিন্তু task-এর বিস্তারিত অংশে ice benchmark-এর নির্দিষ্ট মান ২২% এবং metric হিসেবে RMSE দেওয়া হয়েছে। তাই শিরোনামের ২২% কেবল ice-prospectivity task-এর error reduction বোঝায়; এটি তিন কাজের সম্মিলিত accuracy, success rate বা crater ও volcanic mapping-এর ফল নয়।

RMSE একটি continuous prediction ও reference value-এর ব্যবধান মাপে। এর হ্রাস মানে পরীক্ষার নির্দিষ্ট dataset ও baseline-এর তুলনায় পূর্বাভাস reference map-এর কাছাকাছি হয়েছে। বাস্তব চন্দ্রপৃষ্ঠে বরফ আছে কি না নিশ্চিত করতে radar, spectrometer, thermal measurement বা নমুনাভিত্তিক স্বাধীন প্রমাণ এখনও প্রয়োজন।

Crater mapping-এ কোথায় লাভ

Crater-এর অবস্থান ও সীমানা দ্রুত আলাদা করা চন্দ্রপৃষ্ঠের আপেক্ষিক বয়স এবং সংঘর্ষের ইতিহাস বিশ্লেষণে সহায়ক। নতুন মডেলটি meter-scale imagery-তে শক্তিশালী baseline-এর কাছাকাছি accuracy রেখেছে, আর বিস্তৃত প্রেক্ষাপট দেখানো প্রায় ১০০ মিটার resolution-এর task-এ কম labeled training data নিয়েও বেশি ভালো ফল দিয়েছে।

দুই resolution দুই ধরনের প্রশ্নের উত্তর দেয়। এক মিটার imagery ছোট গহ্বর ও সূক্ষ্ম surface change ধরতে পারে; context-scale data বড় এলাকার গঠন ও পারস্পরিক অবস্থান বোঝায়। ফলে ১৯% সংখ্যাটি সব crater detection-এ প্রযোজ্য ধরে নেওয়া যাবে না, বিশেষ করে নতুন অঞ্চল, আলোর ভিন্ন অবস্থা বা ছোট crater-এর ক্ষেত্রে আলাদা validation ছাড়া।

Polar ice ও আগ্নেয় বৈশিষ্ট্যে ব্যবহার

Polar-ice task-এর output একটি prospectivity map। এটি temperature, terrain এবং অন্যান্য পর্যবেক্ষণের ভিত্তিতে কোথায় পৃষ্ঠে বা নিচে বরফ স্থিতিশীল থাকার অনুকূল পরিবেশ হতে পারে, তার মান অনুমান করে। স্থায়ী ছায়াযুক্ত crater সম্ভাব্য cold trap হলেও উঁচু prediction value নিজে জলবরফের প্রত্যক্ষ পর্যবেক্ষণ নয়; বরং পরবর্তী mission measurement-এর জন্য অঞ্চল বাছাইয়ে এটি সহায়ক হতে পারে।

Volcanic-feature task-এ লক্ষ্য irregular mare patches—অস্বাভাবিক, তুলনামূলক তরুণ দেখানো আগ্নেয় গঠনগুলোর বিস্তার চিহ্নিত করা। প্রকাশিত পরীক্ষায় imperfect label-এর মধ্যেও baseline-এর চেয়ে ৩% ভালো segmentation পাওয়া গেছে। তবে model output গঠনের সীমানা বাছাই করতে পারে; তার বয়স, উৎপত্তি বা চাঁদের thermal evolution সম্পর্কে ভূতাত্ত্বিক ব্যাখ্যা স্বয়ংক্রিয়ভাবে প্রমাণ করে না।

কোথায় পাওয়া যাবে এবং কী এখনও অজানা

মডেল ও task-specific resources Hugging Face-এ বিতরণ করা হচ্ছে, codebase GitHub-এ পরীক্ষার জন্য উন্মুক্ত এবং মডেলটি open-source TerraTorch toolkit-এর সঙ্গে সংযুক্ত। প্রকাশিত unified dataset-এ চারটি mission-এর নয়টি instrument থেকে ৩০টির বেশি spatially aligned layer রয়েছে। এটি raw mission archive-এর বিকল্প নয়; গবেষণার জন্য ভিন্ন উৎসের উপাত্তকে তুলনাযোগ্য input-এ সাজানো একটি স্তর।

Open-source হওয়ায় বাইরের গবেষকেরা model weights, data pipeline ও benchmark পরীক্ষা করতে পারবেন, কিন্তু একই ফল স্বয়ংক্রিয়ভাবে নিশ্চিত নয়। Task অনুযায়ী label, computing resource ও fine-tuning configuration লাগবে; নতুন lunar region, sensor combination এবং resolution-এ generalization স্বাধীনভাবে যাচাই করতে হবে।

এখন নিশ্চিত ফল তিনটি নির্দিষ্ট পরীক্ষার সীমাতেই: ice prospectivity-তে কম RMSE, context-scale crater mapping-এ উন্নতি এবং irregular mare patch segmentation-এ ছোট অগ্রগতি। পরবর্তী গুরুত্বপূর্ণ প্রশ্ন হলো স্বাধীন দলগুলো ভিন্ন data ও label দিয়ে ফল পুনরুৎপাদন করতে পারে কি না এবং prospectivity map বাস্তব mission observation-এর সঙ্গে কতটা মেলে।