IBM и NASA выпускают ИИ-модель, созданную на основе десятилетий данных о Луне

Исследователи теперь могут использовать открытую ИИ-модель от IBM и NASA для анализа десятилетий лунных наблюдений в поисках льда, кратеров и вулканического рельефа с помощью недавно выпущенной NASA-IBM Lunar Foundation Model, готовясь к возвращению людей на поверхность Луны. Система доступна для бесплатной загрузки на Hugging Face, а ее полный исходный код опубликован на GitHub, сообщает NASA Science.

Изучение лунной поверхности всегда было относительно медленным процессом с двумя возможными вариантами: ручной просмотр карт и изображений или обучение узкой модели машинного обучения с низким разрешением для каждого отдельного запроса. Оба варианта дороги в эксплуатации и часто не позволяют выявить мелкие детали, необходимые ученым в их исследованиях, говорится в анонсе компании IBM.

Выпуск базовой модели помогает, поскольку исследователи могут затем использовать предварительно обученную модель для каждой новой задачи вместо создания новой при работе с различными геологическими особенностями. Лунная модель является последним дополнением к семейству открытых научных моделей IBM Prithvi, которое уже охватывает приложения в области геопространственного анализа, метеорологии и гелиофизики. Хуан Бернабе-Морено, директор IBM Research в Европе, Великобритании и Ирландии, заявил, что новая система дает ученым способ анализировать лунные наблюдения в масштабе и выявлять закономерности, которые трудно обнаружить при изучении отдельных наборов данных.

«Модель дает ученым основу для изучения Луны в масштабе, связывая наблюдения с различных приборов и выявляя закономерности, которые трудно увидеть в изоляции», — сказал Бернабе-Морено.

Лунная базовая модель превосходит показатели производительности

NASA и IBM сравнили модель с SwinV2-B, системой компьютерного зрения, обученной Microsoft и широко используемой в качестве базовой для анализа изображений. Новая модель сократила количество ошибок на 23% при поиске ледяных отложений и превзошла SwinV2-B на 19% в обнаружении и классификации кратеров, хотя обучалась на вдвое меньшем объеме данных. В техническом отчете IBM указано улучшение производительности на 3% при использовании модели для выявления вулканических образований, известных как Irregular Mare Patches, при этом требовалось меньше тонкой настройки.

Модель прошла тестирование в реальных условиях 5 августа, когда IBM подала ей изображение места удара, оставленного после того, как ракета SpaceX Falcon 9 столкнулась с Луной. Несмотря на то, что новый удар пришелся почти прямо на существующий кратер, модель правильно определила его как новообразованный кратер.

Цель остается прежней — обеспечить устойчивое присутствие человека на Луне. Картирование регионов с постоянной тенью вблизи лунных полюсов остается серьезной проблемой, поскольку эти области являются одними из самых труднодоступных для наблюдения на Луне и могут содержать запасы подземного льда. IBM заявила, что лед может обеспечить водой и кислородом будущие лунные базы, а также служить сырьем для ракетного топлива, которое может поддерживать миссии на Марс.

Набор данных может пережить модель

Организации также выпустили то, что они назвали первым унифицированным набором данных для машинного обучения о Луне. Набор данных объединяет более 30 пространственно выровненных слоев, собранных девятью приборами в рамках четырех отдельных лунных миссий.

Этот набор данных использует изображения с орбитального аппарата NASA Lunar Reconnaissance Orbiter и миссии GRAIL по изучению гравитационного поля, а также добавляет данные с японского орбитального аппарата SELENE/Kaguya. Бернабе-Морено заявил, что примерно два миллиона со-зарегистрированных точек данных могут оказаться более значимым вкладом, чем сама модель. «Данные — это то, что действительно создает индустрию ИИ-моделей», — отметил он.

Выпуск ИИ-модели опирается на партнерство, которое насчитывает более пяти десятилетий и восходит к программе «Аполлон».