NASA та IBM випустили відкриту ШІ-модель для вивчення Місяця: петабайти даних LRO та точність вища на 23%

Агенція NASA та корпорація IBM представили відкриту фундаментальну модель штучного інтелекту — NASA-IBM Lunar Foundation Model, призначену для аналізу поверхні Місяця. Система увійшла до екосистеми «AI for Science», яку спільно розробляють два відомства, і була інтегрована в відкритий інструментарій TerraTorch. До тієї ж лінійки входять сімейство моделей Prithvi для моніторингу стихійних лих та врожайності на Землі, а також модель Surya, що прогнозує сонячні спалахи та космічну погоду. Універсальність базової моделі дозволяє планетологам адаптувати її під різні завдання, використовуючи лише невелику кількість розмічених даних.

Масштаб навчальних даних

Модель навчали переважно на петабайтах даних орбітального апарату Lunar Reconnaissance Orbiter (LRO), зібраних за 17 років роботи. Загалом штучний інтелект обробив близько двох мільйонів зображень: понад один мільйон високоточних знімків із роздільною здатністю один метр та майже 964 тисячі мультиспектральних кадрів. Додатково до навчального набору увійшли дані місій GRAIL, Lunar Prospector та японського апарату SELENE, що дозволило охопити різні типи спостережень за місячною поверхнею.

Технічні складнощі навчання

Навчання системи виявилося значно складнішим, ніж для аналогічних моделей, що працюють з даними Землі. Через відсутність атмосфери тіні на Місяці надто різкі та повністю чорні, позбавлені якоїсь інформації, а через постійну зміну кута сонячного освітлення той самий об'єкт виглядає по-різному в різних кадрах. Традиційний метод навчання, за якого алгоритм відновлює приховані 90 відсотків зображення на основі видимих 10 відсотків, завершився невдачею: більшість кратерів з орбіти виглядають майже однаково, і модель не могла знайти відмінностей. Вчені знайшли рішення, розділивши Місяць на окремі сектори за принципом «розділення апельсина» та повністю відокремивши навчальні сектори від тестових, що виключило витоку інформації між наборами.

Результати та точність

У завданні пошуку водяного льду ШІ моделює стабільність льду на поверхні та під нею в постійно затіненій полярних регіонах, зменшивши кількість помилок на 23 відсотки порівняно з візуальною системою SwinV2-B від Microsoft. У картографуванні кратерів алгоритм виявився на 19 відсотків точнішим за той самий SwinV2-B, використавши лише половину обсягу навчальних даних. Модель також успішно ідентифікувала новий кратер від падіння ракети SpaceX Falcon 9, що сталося 5 серпня, відокремивши його від існуючого утворення. Окремий напрямок — дослідження місячного вулканізму: система прискорює пошук рідкісних молодих вулканічних утворень, що допомагає краще зрозуміти термічну еволюцію та історію охолодження Місяця.

Значення для майбутніх місій

Представлена місячна модель відтворює карти розподілу ймовірності наявності місячного льду поблизу полюсів та відкриває можливості для планування майбутніх космічних місій, де критично важливі точні дані про ресурси та рельєф. Відкритий характер інструменту та його інтеграція в TerraTorch роблять систему доступною для широкого кола дослідників, а висока точність при менших обсягах розмічених даних скорочує час і вартість підготовки моделей під конкретні наукові завдання.