--- title: "NASA и IBM выпустили открытую ИИ-модель для изучения Луны: петабайты данных LRO и точность выше на 23%" description: "NASA и IBM представили открытую ИИ-модель Lunar Foundation Model, обученную на петабайтах данных LRO за 17 лет. Система точнее существующих алгоритмов в поиске лунного льда и картографировании кратеров." date: 2026-09-11T11:20:00.000Z lang: ru url: https://xab.info/posts/nasa-ibm-lunar-foundation-model-ii-dlya-izucheniya-luny tags: [nasa, ibm, artificial-intelligence, moon, lunar-research, space] publisher: "XAB.info" --- # NASA и IBM выпустили открытую ИИ-модель для изучения Луны: петабайты данных LRO и точность выше на 23% ![Поверхность Луны с кратерами и лунными морями — данные LRO для ИИ-модели NASA и IBM](https://xab.info/media/2026/09/11/nasa-ibm-lunar-foundation-model-ii-dlya-izucheniya-luny/nasa-ibm-lunar-foundation-model-ii-dlya-izucheniya-luny-1.webp) ## 🎯 Key Points - NASA и IBM выпустили открытую фундаментальную ИИ-модель Lunar Foundation Model для анализа поверхности Луны. - Модель обучена на петабайтах данных LRO за 17 лет и около двух миллионах изображений, включая данные GRAIL, Lunar Prospector и SELENE. - В поиске лунного льда система сократила ошибки на 23%, в картографировании кратеров оказалась на 19% точнее SwinV2-B при вдвое меньших данных. - Модель идентифицировала новый кратер от падения ракеты SpaceX Falcon 9 (5 августа) и вошла в экосистему AI for Science и инструментарий TerraTorch. 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. ## 🔍 Fact-Check Verification - [Петтабайты данных и миллионы снимков: NASA и IBM выпустили сверхмощный ИИ для Луны](https://www.rbc.ua/ukr/news/petabayti-danih-i-17-rokiv-foto-nasa-ta-ibm-1789121271.html) - Подтверждает масштаб данных LRO (17 лет, петабайты) и миллионы снимков. - [NASA и IBM выпустили открытую ИИ-модель для изучения Луны – точность выше на 23 процента](https://shazoo.ru/2026/09/11/190439/nasa-i-ibm-vypustili-otkrytuiu-ii-model-dlia-izuceniia-luny-tocnost-vyse-na-23-procenta) - Подтверждает показатель точности 23% в задаче поиска льда. - [IBM и NASA научили ИИ искать лучшие места для жизни на Луне](https://www.securitylab.ru/news/577199.php) - Подтверждает назначение модели на анализ полярных регионов и ресурсов. - [Поиск ресурсов для будущих космических миссий: NASA и IBM представили ИИ для исследования Луны](https://zn.ua/TECHNOLOGIES/poisk-resursov-dlja-budushchikh-kosmicheskikh-missij-nasa-i-ibm-predstavili-ii-dlja-issledovanija-luny.html) - Подтверждает контекст применения для будущих миссий и экосистему AI for Science. ## ❓ FAQ ### Q: Что такое NASA-IBM Lunar Foundation Model? **A:** Это открытая фундаментальная модель искусственного интеллекта, разработанная NASA и IBM для анализа поверхности Луны. Она обучена на петабайтах данных аппарата LRO за 17 лет и интегрирована в открытый инструментарий TerraTorch. ### Q: На каких данных обучалась модель? **A:** Преимущественно на данных Lunar Reconnaissance Orbiter (около двух миллионов изображений: свыше миллиона снимков с разрешением 1 метр и почти 964 тысячи мультиспектральных), а также на данных миссий GRAIL, Lunar Prospector и японского аппарата SELENE. ### Q: Насколько модель точнее существующих алгоритмов? **A:** В поиске лунного льда она уменьшила количество ошибок на 23% по сравнению с системой SwinV2-B от Microsoft, а в картографировании кратеров оказалась на 19% точнее, используя лишь половину объёма обучающих данных. ### Q: Какие практические задачи решает модель? **A:** Модель помогает искать водяной лёд в полярных регионах, картографировать кратеры (включая идентификацию нового кратера от падения ракеты SpaceX Falcon 9) и изучать лунный вулканизм для понимания термальной истории Луны.