SELULAR.ID – Eksplorasi Bulan memasuki babak baru. IBM dan NASA meluncurkan NASA-IBM Lunar Foundation Model, model kecerdasan buatan (AI) open-source yang dirancang untuk membantu ilmuwan menganalisis data observasi Bulan dalam skala besar.
Model AI ini memanfaatkan data pengamatan Bulan selama puluhan tahun untuk menemukan pola dan informasi yang sulit terlihat jika data dianalisis secara terpisah.
Teknologi tersebut dikembangkan dari kumpulan data observasi multimodal dengan resolusi berbeda.
Selama beberapa dekade, berbagai instrumen telah menghasilkan data Bulan dalam skala petabyte.
Baca juga:
- IBM Indonesia dan Dicoding Luluskan Peserta Pijak 2026
- Usai Lakukan PHK Masal Demi AI, IBM Kini Buka Lowongan Besar-besaran
Namun, analisis permukaan Bulan masih menghadapi tantangan karena ilmuwan harus mengolah peta dan citra secara manual atau menggunakan model machine learning yang dibuat untuk tugas tertentu.
NASA-IBM Lunar Foundation Model dirancang untuk mempercepat proses tersebut dengan menghubungkan berbagai jenis data observasi sehingga pola dan keterkaitan baru dapat ditemukan secara lebih efisien.
Bisa Mendeteksi Potensi Es di Bulan
Salah satu kemampuan yang menarik adalah membantu mengidentifikasi wilayah yang berpotensi mengandung endapan es.
Area Bulan yang selalu berada dalam bayangan menjadi salah satu lokasi paling sulit diamati.
Padahal, keberadaan es berpotensi menyediakan sumber air dan oksigen yang penting untuk mendukung pembangunan pangkalan manusia di Bulan maupun produksi bahan bakar untuk misi menuju Mars.
Dalam pengujian yang dilaporkan NASA dan IBM, model tersebut mampu mengurangi kesalahan identifikasi area dengan potensi kandungan es hingga 22% dibandingkan model SwinV2-B berbasis ImageNet.
Membaca Jejak Aktivitas Vulkanik
AI ini juga dapat membantu ilmuwan mempelajari sejarah aktivitas vulkanik Bulan, termasuk fitur yang dikenal sebagai Irregular Mare Patches.
Model NASA-IBM mampu memetakan cakupan fitur vulkanik 3% lebih baik dibandingkan SwinV2-B dalam pengujian yang disebutkan dalam materi tersebut.
Selain itu, model menawarkan efisiensi lebih tinggi dan biaya fine-tuning yang lebih rendah.
Informasi tersebut dapat membantu ilmuwan memahami evolusi termal dan sejarah geologi Bulan sekaligus mendukung perencanaan operasi di permukaan Bulan pada masa mendatang.
AI Bantu Petakan Kawah Bulan
Kawah menjadi fitur penting lainnya. Dari kawah, ilmuwan dapat mempelajari sejarah permukaan Bulan, kondisi geologi, hingga komposisi kimia pada masa awal pembentukannya.
Pemetaan kawah juga penting untuk menentukan lokasi pendaratan yang relatif aman serta menghindari potensi bahaya seperti lereng curam dan batuan besar.
NASA-IBM Lunar Foundation Model mampu mengidentifikasi, memahami konteks, dan mengklasifikasikan kawah pada resolusi skala meter.
Pada resolusi konteks sekitar 100 meter, model tersebut mengungguli SwinV2-B hampir 19%, meski hanya menggunakan separuh jumlah data pelatihan.
Gabungkan Data dari Empat Misi
Salah satu kekuatan utama proyek ini bukan hanya model AI-nya, tetapi juga dataset yang digunakan.
IBM dan NASA membangun kumpulan data Bulan open-source yang menggabungkan lebih dari 30 lapisan data yang telah diselaraskan secara spasial. Data tersebut berasal dari sembilan instrumen dalam empat misi.
Dataset ini mencakup puluhan ribu citra dan peta dari berbagai karakteristik geofisika Bulan, termasuk data NASA Lunar Reconnaissance Orbiter (LRO), misi GRAIL NASA, serta misi SELENE/Kaguya milik Japan Aerospace Exploration Agency (JAXA).
Dengan pendekatan tersebut, ilmuwan mendapatkan gambaran yang lebih komprehensif mengenai permukaan dan bawah permukaan Bulan.
Dibuka untuk Komunitas Riset Global
IBM dan NASA merilis model ini sebagai open-source, sehingga peneliti dapat mengakses dan mengembangkan teknologi tersebut untuk berbagai kebutuhan penelitian.
Model NASA-IBM Lunar Foundation juga menjadi bagian dari keluarga Prithvi, open foundation model yang sebelumnya mencakup bidang geospasial, cuaca, dan heliofisika.
Konsep foundation model memungkinkan peneliti menggunakan model yang sudah tersedia sebagai titik awal, kemudian menyesuaikannya untuk kebutuhan penelitian baru tanpa harus membangun sistem AI dari awal.
Bagi eksplorasi Bulan, pendekatan ini dapat mempercepat proses mengubah data ilmiah berukuran sangat besar menjadi informasi yang dapat digunakan untuk penelitian dan perencanaan misi.
Dengan AI, data Bulan yang selama puluhan tahun terus bertambah kini tidak sekadar menjadi arsip ilmiah.
Data tersebut dapat menjadi fondasi untuk menemukan pola baru, memahami sejarah Bulan, sekaligus mendukung ambisi manusia membangun kehadiran yang lebih berkelanjutan di satelit alami Bumi tersebut.
