IBM和NASA发布基于数十年月球数据的AI模型

根据NASA Science的报道，研究人员现在可以使用IBM和NASA发布的开源AI模型——新发布的NASA-IBM月球基础模型（Lunar Foundation Model），来筛选数十年的月球观测数据，寻找冰、陨石坑和火山地形，为让人类重返月球表面做准备。该系统可在Hugging Face上免费下载，其完整代码库已发布在GitHub上。

IBM在其公告中表示，研究月球表面一直是一个相对缓慢的过程，有两种可能的选择：手动浏览地图和图像，或者为每个单独请求训练一个狭窄的低分辨率机器学习模型。这两种选择运行成本高昂，并且经常错过科学家研究中需要的细微细节。

基础模型的发布有所帮助，因为研究人员可以使用预训练模型来处理每个新任务，而不是在处理不同地质特征时构建全新的模型。该月球模型是IBM Prithvi系列开放科学模型的最新 additions，该系列已涵盖地理空间分析、天气和日球物理等领域的应用。IBM欧洲、英国和爱尔兰研究总监Juan Bernabe-Moreno表示，新系统为科学家提供了一种大规模分析月球观测数据并识别在研究单个数据集时难以检测到的模式的方法。

“该模型为科学家提供了一个基础，使他们能够大规模探索月球，连接不同仪器的观测数据，揭示孤立观察时难以发现的模式，”Bernabe-Moreno说。

月球基础模型在性能基准测试中领先

NASA和IBM将该模型与SwinV2-B（一种微软训练、广泛用于图像分析的视觉系统）进行了对比。在定位冰沉积物时，新模型将错误率降低了23%，在发现和分类陨石坑方面比SwinV2-B高出19%，尽管它只使用了一半的数据进行训练。IBM的技术论文报告称，当该模型用于识别被称为不规则月海斑（Irregular Mare Patches）的火山特征时，性能提高了3%，同时所需的微调更少。

8月5日，该模型进行了实地测试，IBM向其提供了一张显示SpaceX Falcon 9火箭撞击月球后留下的撞击点的图像。尽管新撞击点几乎直接位于现有陨石坑上方，但该模型正确将其识别为新形成的陨石坑。

目标仍然是实现人类在月球的持续存在。绘制月球极地附近永久阴影区的地图仍然是一个重大挑战，因为这些区域是月球上最难观测的区域之一，可能含有地下冰沉积物。IBM表示，这些冰可以为未来的月球基地提供水和氧气，同时为支持火星任务的火箭燃料提供原材料。

数据集可能比模型更持久

这些机构还发布了它们所称的第一个统一的、适用于机器学习的月球数据集。该数据集汇集了来自四次独立月球任务中九个仪器的30多个空间对齐层。

该数据集提取了NASA月球勘测轨道飞行器（LRO）和GRAIL重力任务以及日本SELENE/Kaguya轨道器的图像，并添加了相关数据。Bernabe-Moreno表示，这大约200万个共配准数据点可能比模型本身更具持久的贡献价值。“数据才是真正创造AI模型行业的关键，”他说道。

该AI模型的发布建立在可追溯至阿波罗计划、历时超过五十年的合作伙伴关系之上。