NASA і компанія IBM Research представили відкриту модель штучного інтелекту, розроблену спеціально для вивчення Місяця. NASA-IBM Lunar Foundation Model стала однією з перших фундаментних ШІ-моделей, орієнтованих виключно на лунну науку, і вже доступна будь-кому — код опублікований на GitHub, а сама модель викладена на платформі Hugging Face.

Що таке фундаментна модель і чим вона відрізняється

Традиційні алгоритми машинного навчання зазвичай будують і навчають з нуля під конкретне вузьке завдання — наприклад, тільки для пошуку кратерів або тільки для аналізу льоду. Фундаментна модель працює інакше: її спочатку навчають на величезному масиві нерозміченого сирого матеріалу, після чого вона накопичує загальне "розуміння" типів поверхні, форм рельєфу і текстур. Далі дослідникам достатньо донавчити цю базову модель на невеликій кількості розмічених прикладів, щоб адаптувати її під конкретну наукову задачу. Це набагато швидше й дешевше, ніж будувати спеціалізовані алгоритми з нуля щоразу.

"NASA десятиліттями вибудовувало надзвичайно детальний науковий літопис Місяця, але зібрати дані — це лише частина роботи, — зазначив Кевін Мерфі, головний науковий директор з даних NASA. — Нам також потрібно робити ці дані зручнішими для дослідження й використання вченими".

NASA-IBM Lunar Foundation Model показує, що можливо, коли ми застосовуємо штучний інтелект до петабайтів наукових даних NASA. Це справжня можливість перетворити масштабні дані на нові відкриття.Кевін Мерфі, головний науковий директор з даних NASA

Дані з орбітального апарата LRO як фундамент навчання

Основним джерелом для навчання моделі стали дані апарата Lunar Reconnaissance Orbiter (LRO), який працює на орбіті Місяця вже 17 років. Обсяг даних, зібраних цією місією, перевищує сукупний обсяг усіх інших планетних місій NASA разом узятих — LRO зняв майже суцільну мозаїку високої роздільності всієї поверхні супутника.

Для тренування моделі використали приблизно 2 мільйони фрагментів знімків: понад мільйон кадрів з камери з роздільною здатністю 1 метр і майже 964 тисячі багатоспектральних зображень з роздільною здатністю 100 метрів. До навчального набору додали також дані місій GRAIL (Gravity Recovery and Interior Laboratory), Lunar Prospector та японського апарата SELENE (Selenological and Engineering Explorer) агентства JAXA.

Кратери, вулканізм і полярний лід

Одразу після попереднього навчання модель здатна виконувати кілька практичних завдань лунної науки. По-перше, це картографування кратерів — оскільки кожен кратер утворюється внаслідок удару, підрахунок і вимірювання кратерів залишається основним методом датування ділянок поверхні та реконструкції історії Сонячної системи. Модель прискорює цей процес, звільняючи час дослідників для інтерпретації результатів.

По-друге, модель допомагає виявляти нерегулярні мореві плями — незвичні вулканічні утворення, які виглядають відносно молодими і ставлять під сумнів усталені уявлення про те, коли Місяць остаточно охолов і втратив вулканічну активність.

По-третє, і, судячи з результатів тестування, найуспішніше — модель оцінює ймовірність наявності водяного льоду поблизу полюсів Місяця. У постійно затінених ділянках температура настільки низька, що лід може зберігатися там мільярди років. Розуміння того, де саме розташовані такі "холодні пастки", важливе не лише для науки про минуле Місяця, а й для планування майбутніх місій, які можуть використовувати цей лід як ресурс.

За словами команди розробників, модель зрівнялася або перевершила кілька інших сильних базових моделей за всіма перевіреними завданнями, показавши порівнянні результати в картографуванні кратерів і мореевих плям, і виразну перевагу саме в оцінці стабільності льодових ділянок.

Тест на кратері Ейнштейна і що далі

Показовий приклад можливостей моделі — тест зі знімками району кратера Ейнштейна до і після удару ступеня ракети SpaceX об поверхню Місяця. Постударне зображення навмисно виключили з попереднього навчання моделі, щоб перевірити, чи здатна вона розпізнати новий об'єкт, якого раніше "не бачила". Модель не лише правильно позначила вже відомі кратери, а й виділила новоутворений кратер після удару. Дослідники зазначають, що такий підхід у майбутньому може допомогти автоматично виявляти природні удари та зміни поверхні у величезних масивах лунних знімків, хоча різне освітлення на різних орбітальних проходах може впливати на видимість найдрібніших кратерів.

Проєкт входить до ширшої стратегії Office of the Chief Science Data Officer NASA щодо застосування ШІ в науці та є частиною тривалого партнерства з IBM. До цієї ж родини моделей належать Prithvi — набір моделей для аналізу земних спостережень (моніторинг стихійних лих, повеней, урожайності) — та Surya, геліофізична модель для прогнозування космічної погоди й сонячних спалахів.

Над NASA-IBM Lunar Foundation Model працювала команда Impact AI Космічного центру NASA імені Маршалла разом з ученими Планетологічного відділу Наукової дирекції NASA, а також фахівцями центрів Годдарда та Еймса. До проєкту долучилися також дослідники з Universities Space Research Association, SETI Institute, Університету Меріленду в Балтиморі та Університету Говарда. Разом з моделлю команда опублікувала готові до машинного навчання набори даних і бенчмарки, а модель інтегрована у відкритий інструментарій TerraTorch — усе це має забезпечити відтворюваність досліджень і дати науковцям у всьому світі інструмент для подальшого вдосконалення ШІ для вивчення Місяця.