NASA и IBM открыли исходный код модели NASA-IBM Lunar Foundation Model, которая стала одним из первых публично доступных инструментов на базе ИИ для научных исследований Луны. Решение, выпущенное в семействе Prithvi (уже включающем модели для наблюдения за Землей, анализа погоды и гелиофизики), теперь размещено на платформе Hugging Face. В открытом доступе находятся веса модели, технический отчет и массив данных, использованный для обучения.
Обучение модели на базе TerraMind и мультиинструментальные данные
Основой для разработки послужила архитектура TerraMind, ранее созданная IBM совместно с Европейским космическим агентством. Эта нейросеть эффективно обрабатывает данные различных типов и разрешений, выявляя кросс-модальные корреляции, что позволяет восполнять пробелы в зашумленной или неполной информации. Для адаптации к конкретным лунным задачам применяются низкоранговые адаптеры, сохраняющие 90% базовых весов неизменными, что значительно снижает затраты на дообучение.
Уникальность проекта заключается в создании обширного обучающего корпуса, который ранее не существовал в едином виде. Набор данных включает более 30 слоев информации, полученных с девяти инструментов в ходе четырех миссий. В общей сложности он насчитывает около 2 миллионов фрагментов изображений, включая более 1 миллиона снимков с камер с разрешением 1 метр и почти 964 000 мультиспектральных изображений с разрешением 100 метров. В базу вошли данные аппарата Lunar Reconnaissance Orbiter, гравитационные карты миссии GRAIL, сведения Lunar Prospector и наблюдения японского аппарата SELENE/Kaguya. В комплект поставки также включен набор бенчмарков SOMBench.
Практическое применение и повышение точности анализа
Разработчики отмечают, что использование единой предварительно обученной архитектуры позволяет решать задачи по поиску вулканических особенностей, картографированию кратеров и обнаружению потенциальных залежей льда без необходимости каждый раз создавать модель с нуля. Согласно собственным бенчмаркам NASA и IBM, новая нейросеть показала выдающиеся результаты в сравнении с базовой моделью SwinV2-B.
В частности, при определении вероятных залежей льда среднеквадратичная ошибка была снижена на 22%. Этот показатель критически важен для планирования будущих лунных баз, которым потребуются ресурсы в виде воды, кислорода и ракетного топлива в постоянно затененных регионах. При анализе вулканических следов (Irregular Mare Patches) точность покрытия возросла на 3% по сравнению с SwinV2-B, даже при обучении на несовершенных данных.
В задаче поиска кратеров модель продемонстрировала высокую эффективность в зависимости от масштаба: при метровом разрешении она сравнялась по результатам со SwinV2-B, а на контекстном уровне около 100 метров превзошла её почти на 19%, используя при этом лишь половину объема данных для тренировки. Майкл Баркер, эксперт по лунной топографии из NASA, подчеркнул, что это поможет ученым лучше разобраться в возрасте и свойствах геологических структур, вокруг которых до сих пор ведутся научные споры.
Перспективы открытой научной платформы
Представители NASA и IBM делают ставку на развитие международного исследовательского сообщества. По словам Кевина Мерфи, главного специалиста по научным данным NASA, создание мощного научного архива — это лишь часть работы, необходимо сделать данные максимально доступными для анализа. В свою очередь, Хуан Бернабе-Морено из IBM Research Europe отметил, что модель позволяет исследовать Луну в больших масштабах, выявляя скрытые закономерности, которые трудно заметить при изучении данных от отдельных приборов.
Этот шаг продолжает стратегию IBM по открытому распространению весов моделей, аналогичную подходу с проектом Granite 4.0, но адаптированную для научной сферы. Основными областями применения в ближайшем будущем станут анализ опасностей при выборе мест посадки и поиск ресурсов для обеспечения длительного присутствия человечества на Луне.
