Содержание
Открытая ИИ-модель IBM и NASA выходит на Hugging Face и берет на себя задачу, с которой ученые возятся десятилетиями: разбор петабайт данных о Луне. Вместе с моделью публикуют большой датасет для машинного обучения, собранный из наблюдений за последние пять десятилетий.
Проект называется NASA-IBM Lunar Foundation Model. Его обучили на мультимодальном наборе данных NASA, чтобы исследователи быстрее находили кратеры, ледяные отложения, вулканические участки и другие геологические особенности поверхности.
Одна базовая модель вместо набора узких нейросетей
IBM и NASA делают ставку на foundation model: одну базовую ИИ-систему, которую ученые смогут адаптировать под разные задачи лунной геологии. Раньше для таких задач часто использовали ручной разбор снимков или отдельные узкие модели, заточенные под один тип объектов.
На практике это похоже на разницу между старым набором утилит и нормальной рабочей станцией. Можно каждый раз собирать инструмент под конкретную задачу. А можно взять одну мощную основу и дообучить ее под поиск кратеров, льда или вулканических структур.
IBM утверждает, что новая модель уже показала себя на реальных задачах. Она точнее распознает кратеры и вулканические особенности, а также заметно снижает ошибки при поиске возможных ледяных отложений. Точных процентов компания в опубликованных данных не приводит.
Датасет собрали из 30 слоев и четырех миссий
Вместе с моделью IBM и NASA открывают единый публичный датасет, подготовленный именно для машинного обучения. В него вошли более 30 пространственно совмещенных слоев с данными от девяти инструментов, которые работали в составе четырех лунных миссий.
В набор включили десятки тысяч изображений и карт. Они описывают разные геофизические свойства лунной поверхности. Среди источников названы Lunar Reconnaissance Orbiter и миссия GRAIL, которая изучала гравитационное поле Луны.
Для исследователей это не просто архив в стиле «вот вам папка со снимками». Данные выровняли по пространству, чтобы модель могла сопоставлять слои между собой. Например, связывать рельеф, гравитационные аномалии и визуальные признаки на поверхности.
- Объем данных: петабайты лунных наблюдений за пять десятилетий
- Структура набора: более 30 совмещенных слоев
- Источники: девять инструментов из четырех миссий
- Формат доступа: публичный датасет для анализа и машинного обучения
Лед, кратеры и вулканические участки нужны для базы
Главная прикладная задача модели — помочь NASA выбрать безопасные и полезные районы для будущих миссий. Лунная база требует не только ровной площадки для посадки, но и доступа к ресурсам, которые не придется везти с Земли.
Ледяные отложения здесь особенно ценны. Вода нужна для жизни экипажа, а кислород и водород могут пригодиться для топлива. Такой сценарий обсуждают и для будущих миссий к Марсу, где Луна может стать промежуточной площадкой.
Кратеры дают другую часть картины. По ним ученые оценивают возраст участков, геологию пород и состав ранних слоев лунной коры. Для пилотируемых миссий кратеры еще и источник риска: рядом могут быть крутые склоны, валуны и неровный рельеф.
Вулканические структуры, известные как Irregular Mare Patches, помогают изучать тепловую эволюцию Луны. Для посадок и работы на поверхности они тоже важны: такие районы могут рассказать больше о внутренней истории спутника, чем обычные снимки равнин.
IBM работает с NASA больше пяти десятилетий, включая эпоху Apollo. Директор IBM Research Europe в Великобритании и Ирландии Хуан Бернабе-Морено описал задачу так: «Раскрытие тайн Луны требует умения учиться на необычайном объеме научных данных».
