IBMとNASAが数十年分の月面データに基づいて構築したAIモデルを公開

研究者は、新たにリリースされたNASA-IBM Lunar Foundation Modelを使用して、月面への人類復帰に向けた準備として、数十年分の月面観測データから氷、クレーター、火山地形を検出できるようになりました。このシステムは、NASA Scienceによると、Hugging Faceで無料ダウンロード可能であり、完全なコードベースはGitHubで公開されています。

月面を研究することは、手動で地図や画像を精査するか、個別の要求ごとに狭く解像度の低い機械学習モデルをトレーニングするという、2つの選択肢のいずれかを用いて、常に比較的遅いプロセスでした。IBMは、これらの選択肢の両方が運用コストが高く、科学者の研究に必要な細部を見逃すことが多いと、その発表で述べています。

基盤モデルのリリースは、研究者が新しいタスクごとにゼロからモデルを構築するのではなく、事前トレーニング済みのモデルを使用できるため、助けとなります。この月面モデルは、地理空間分析、天気、ヘリオフィジックス（太陽物理学）などのアプリケーションをカバーするIBMのPrithviオープンサイエンスモデルファミリーの最新追加です。IBM Research Europe、UK、IrelandのディレクターであるJuan Bernabe-Moreno氏は、新しいシステムが科学者に大規模な月面観測の分析や、個別のデータセットを研究する際に検出が困難なパターンを特定する方法を提供すると述べています。

「このモデルは、科学者に大規模な月面の探査の基盤を提供し、異なる観測機器間の観測データを結びつけ、孤立して観察するだけでは見にくいパターンを明らかにします」とBernabe-Moreno氏は述べています。

月面基盤モデルがパフォーマンスベンチマークをリード

NASAとIBMは、このモデルをSwinV2-B（Microsoftがトレーニングした画像分析のベンチマークとして広く使用されているビジョンシステム）と比較しました。氷の堆積物の特定においてエラーを23%削減し、データ量の半分しか使用していないにもかかわらず、クレーターの発見と分類においてSwinV2-Bを19%上回りました。IBMの技術論文では、不規則な月面海斑（Irregular Mare Patches）として知られる火山地形の特定にこのモデルを使用した際、パフォーマンスが3%向上し、ファインチューニングの必要も少なかったと報告されています。

このモデルは8月5日に実地テストを受け、SpaceXのFalcon 9ロケットが月に衝突した跡を示す画像をIBMが供給しました。新しい衝突跡が既存のクレーターのほぼ真上に表示されていましたが、モデルはそれを新しく形成されたクレーターとして正しく特定しました。

目標は、月面での持続的な人間の存在を可能にすることです。月の極付近の永久影領域のマッピングは、これらの領域が観測が最も困難な月の一部であり、地下氷の堆積物を含んでいる可能性があるため、依然として大きな課題です。IBMは、この氷が将来の月面基地に水と酸素を供給し、火星ミッションを支えるためのロケット燃料の原材料としても提供できると述べています。

データセットはモデルよりも長く残る可能性がある

両機関は、月面に対する初の統一された機械学習対応データセットも公開しました。このデータセットは、4つの別々の月面ミッションにわたる9つの観測機器によって収集された、30以上の空間的に整列されたレイヤーを集約しています。

このデータセットは、NASAの月周回観測衛星（LRO）とGRAIL重力ミッションからの画像を取り入れ、日本のSELENE/Kaguya周回衛星からのデータも追加しています。ベルナベ＝モレノ氏は、約200万の共登録データポイントが、モデル自体よりも永続的な貢献となる可能性があると考えています。「データこそが、AIモデルの産業を真に創り出すのです」と彼は述べています。

このAIモデルのリリースは、アポロ計画にまでさかのぼる50年以上にわたるパートナーシップに基づいています。