Агентство NASA и корпорация IBM представили открытую фундаментальную модель искусственного интеллекта — NASA-IBM Lunar Foundation Model, предназначенную для анализа поверхности Луны. Система вошла в экосистему «AI for Science», которую совместно разрабатывают два ведомства, и была интегрирована в открытый инструментарий TerraTorch. В ту же линейку входят семейство моделей Prithvi для мониторинга стихийных бедствий и урожайности на Земле, а также модель Surya, прогнозирующая солнечные вспышки и космическую погоду. Универсальность базовой модели позволяет планетологам адаптировать её под различные задачи, используя лишь небольшое количество размеченных данных.
Масштаб обучающих данных
Модель обучали преимущественно на петабайтах данных орбитального аппарата Lunar Reconnaissance Orbiter (LRO), собранных за 17 лет работы. В общей сложности искусственный интеллект обработал около двух миллионов изображений: свыше одного миллиона высокоточных снимков с разрешением один метр и почти 964 тысячи мультиспектральных кадров. Дополнительно в обучающий набор вошли данные миссий GRAIL, Lunar Prospector и японского аппарата SELENE, что позволило охватить разные типы наблюдений за лунной поверхностью.
Технические сложности обучения
Обучение системы оказалось значительно сложнее, чем для аналогичных моделей, работающих с данными Земли. Из-за отсутствия атмосферы тени на Луне чрезвычайно резкие и полностью чёрные, лишённые какой-либо информации, а из-за постоянного изменения угла солнечного освещения один и тот же объект выглядит по-разному в разных кадрах. Традиционный метод обучения, при котором алгоритм восстанавливает скрытые 90 процентов изображения на основе видимых 10 процентов, завершился неудачей: большинство кратеров с орбиты выглядят почти одинаково, и модель не могла найти различий. Учёные нашли решение, разделив Луну на отдельные сектора по принципу «разделения апельсина» и полностью отделив учебные сектора от тестовых, что исключило утечку информации между наборами.
Результаты и точность
В задаче поиска водяного льда ИИ моделирует стабильность льда на поверхности и под ней в постоянно затенённых полярных регионах, уменьшив количество ошибок на 23 процента по сравнению с визуальной системой SwinV2-B от Microsoft. В картографировании кратеров алгоритм оказался на 19 процентов точнее того же SwinV2-B, использовав лишь половину объёма обучающих данных. Модель также успешно идентифицировала новый кратер от падения ракеты SpaceX Falcon 9, произошедшего 5 августа, отделив его от существующего образования. Отдельное направление — исследование лунного вулканизма: система ускоряет поиск редких молодых вулканических образований, что помогает лучше понять термальную эволюцию и историю охлаждения Луны.
Значение для будущих миссий
Представленная лунная модель воспроизводит карты распределения вероятности наличия лунного льда вблизи полюсов и открывает возможности для планирования будущих космических миссий, где критически важны точные данные о ресурсах и рельефе. Открытый характер инструмента и его интеграция в TerraTorch делают систему доступной для широкого круга исследователей, а высокая точность при меньших объёмах размеченных данных сокращает время и стоимость подготовки моделей под конкретные научные задачи.
