Открытая лунная модель NASA и IBM превращает 17 лет данных с орбитального аппарата в основу лунной науки

Лунная базовая модель NASA-IBM делает десятилетия данных лунных наблюдений пригодными для машинного обучения. Особенно хорошо она предсказывает залежи льда у полюсов и обнаруживает кратеры.

«NASA десятилетиями создавало выдающийся научный архив Луны, но сбор данных — это лишь часть работы», — говорит Кевин Мёрфи, главный специалист NASA по научным данным. По его словам, учёным также должно быть проще пользоваться этими данными. NASA и IBM Research совместно с несколькими академическими учреждениями теперь выпустили лунную базовую модель NASA-IBM. Две организации называют её одной из первых моделей с открытым исходным кодом для лунной науки.

В отличие от алгоритмов для конкретных задач, базовая модель предварительно обучается на больших объёмах немаркированных данных, а затем адаптируется к конкретным задачам всего на нескольких размеченных примерах. Команда считает это главным преимуществом для лунных исследований, где данных наблюдений много, а разметки мало.

Почти 2 миллиона наборов фрагментов за 17 лет наблюдений

Команда обучила модель с нуля, используя SomBench, который, по её словам, представляет собой крупнейший на сегодняшний день совмещённый мультимодальный лунный корпус. Он содержит почти 2 миллиона наборов фрагментов в 11 модальностях и двух пространственных масштабах. Около 1 миллиона изображений высокого разрешения получены с узкоугольной камеры (NAC) с разрешением примерно 1 метр на пиксель, а чуть менее 964 000 мультиспектральных изображений — с широкоугольной камеры с разрешением 100 метров на пиксель.

Основная часть данных получена за 17 лет наблюдений с помощью лунного разведывательного орбитального аппарата (LRO). По данным NASA, объём его данных превышает объём данных всех остальных планетарных миссий NASA вместе взятых. Коллекцию дополнили данные миссии GRAIL (гравитационное поле), Lunar Prospector (водород) и зонда JAXA Kaguya/SELENE (минералогия).

В общей сложности набор данных объединяет более 30 пространственно совмещённых слоёв данных от девяти приборов и четырёх миссий. Чтобы предотвратить утечку данных между обучающей, валидационной и тестовой выборками, корпус разделили географически по зонам карты, а не распределяли отдельные фрагменты случайным образом.

Модель получает данные об условиях освещения, а не пытается угадать их

Модель основана на TerraMind — мультимодальной модели наблюдения Земли, однако исследователи обучили её с нуля, а не дообучали. Для каждого фрагмента модель получает геометрию съёмки в качестве явного контекста, включая углы освещения, положение Солнца и размеры фрагмента. На Луне геометрия освещения влияет на внешний вид поверхности гораздо сильнее, чем её фактические свойства. Вместо того чтобы заставлять модель корректировать это по исходным пикселям, команда просто передаёт ей эту информацию.

Модель также обучается одновременно на изображениях высокого разрешения и изображениях низкого разрешения, улавливая как мелкие детали, так и крупномасштабный контекст. Технология под названием FlexiViT позволяет одной и той же обученной модели адаптироваться к задачам с разным размером фрагментов изображения без повторного обучения.

Именно в предсказании льда модель превосходит аналоги сильнее всего

Команда протестировала модель на обнаружении кратеров в масштабах 100 и 1 метр, а также на предсказании залежей льда в полярных областях. Кроме того, ей требовалось сегментировать нерегулярные морские пятна (IMP) — молодые вулканические образования, которые ставят под сомнение устоявшиеся представления о сроках остывания Луны. Согласно техническому отчёту, по всем задачам предварительно обученная модель не уступила или превзошла как распространённые базовые модели, так и идентичную по архитектуре контрольную модель со случайной инициализацией.

Наибольший прирост наблюдался при предсказании залежей льда. В постоянно затенённых полярных областях достаточно холодно, чтобы водяной лёд сохранялся миллиарды лет; они рассматриваются как потенциальный источник воды, кислорода и ракетного топлива. По данным IBM, модель снизила ошибку предсказания максимум на 22 процента по сравнению с лучшей базовой моделью SwinV2-B.

По данным IBM, при обнаружении кратеров в масштабе низкого разрешения модель превзошла SwinV2-B почти на 19 процентов. Этот показатель получен при обучении всего на половине данных, что указывает на способность модели хорошо работать с меньшим числом размеченных примеров.

Часть преимущества связана с тем, как модель обрабатывает данные

Даже контрольная модель со случайной инициализацией превзошла пять из семи базовых моделей в предсказании льда, не проходя предварительного обучения на лунных данных. По словам исследователей, часть преимущества обусловлена тем, как модель работает с разными типами данных. Она выделяет каждому слою данных собственный путь обработки, тогда как базовые модели рассматривают все входные данные как набор каналов.

При обнаружении кратеров метрового масштаба и сегментации IMP модель примерно сравнялась с сильнейшими базовыми моделями, а различия укладывались в разброс между запусками обучения. IBM заявляет о преимуществе в 3 процента над SwinV2-B при работе с IMP, однако результаты выглядят скорее сопоставимыми, чем явно превосходящими.

По словам исследователей, LoRA — более лёгкий метод дообучения, при котором обучается лишь доля параметров, — в целом не уступал полному дообучению и показывал лучшие результаты при обнаружении кратеров. Полное дообучение превосходит его только в двух самых небольших задачах.

Полезна для анализа, но не заменяет физические измерения

Хуан Бернабе-Морено, директор IBM Research Europe, заявил, что модель связывает наблюдения разных приборов и выявляет закономерности, которые трудно заметить по отдельности.

Как показывают исследования, модель не подходит для абсолютного геодезического позиционирования. В тестах генерации широта и долгота в некоторых случаях отличались на десятки градусов, а структуры рельефа могли отображаться со смещёнными абсолютными значениями высоты, даже если их форма восстанавливалась правильно.

Авторы рассматривают её как многоразово используемую основу для последующих задач, а не как замену приборам физических измерений. Контролируемые эксперименты, позволяющие изолированно оценить вклад каждого нововведения, ещё не проведены, а некоторые тестовые наборы данных невелики.

Часть растущего семейства моделей

Модель доступна публично на Hugging Face, код размещён на GitHub, а сама модель интегрирована в инструментарий с открытым исходным кодом TerraTorch. Команда также выпустила готовые для машинного обучения наборы данных для предварительного обучения и коллекции для тестирования.

Модель является частью сотрудничества NASA и IBM под названием «ИИ для науки». Обе организации работают над базовыми моделями в рамках соглашения Space Act с начала 2022 года. В августе 2023 года они выпустили первую модель Prithvi на Hugging Face, обученную на снимках Landsat и Sentinel-2 всей континентальной территории США и адаптированную для картирования наводнений и лесных пожаров.

IBM представила Prithvi как часть своей платформы Watsonx. IBM разработала TerraMind — основу лунной модели — в 2025 году совместно с ESA и Исследовательским центром Юлиха для наблюдения Земли.

Google DeepMind применяет схожий подход с AlphaEarth Foundations, сжимая оптические спутниковые изображения, радиолокационные и лидарные сканирования, а также климатические симуляции в компактные эмбеддинги земной поверхности.

Новости ИИ без хайпа — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, наш эксклюзивный отчёт о передовых разработках «AI Radar» шесть раз в год, полный доступ к архиву и доступ к разделу комментариев.