Відкрита місячна модель NASA та IBM перетворює 17 років даних орбітального апарата на основу місячної науки

Фундаментальна місячна модель NASA-IBM робить дані десятиліть спостережень за Місяцем придатними для машинного навчання. Особливо добре вона прогнозує поклади льоду на полюсах і виявляє кратери.

«NASA десятиліттями створювала надзвичайний науковий літопис Місяця, але збір даних — це лише частина роботи», — каже Кевін Мерфі, головний фахівець NASA з наукових даних. За його словами, дані також мають стати зручнішими для використання науковцями. NASA та IBM Research у співпраці з кількома академічними установами представили NASA-IBM Lunar Foundation Model. Дві організації називають її однією з перших моделей відкритого коду для місячної науки.

На відміну від алгоритмів, призначених для конкретних завдань, фундаментальну модель попередньо навчають на великих обсягах нерозмічених даних, після чого її можна адаптувати до конкретних завдань лише за допомогою кількох розмічених прикладів. Команда вважає це головною перевагою для досліджень Місяця, де даних спостережень багато, а розмітки мало.

Майже 2 мільйони наборів фрагментів за 17 років спостережень

Команда навчила модель з нуля, використавши SomBench, який, за її словами, є найбільшим на сьогодні мультимодальним місячним корпусом із просторовим узгодженням. Він містить майже 2 мільйони наборів фрагментів у 11 модальностях і двох просторових масштабах. Близько 1 мільйона зображень високої роздільної здатності отримано з камери вузького кута (NAC) — приблизно 1 метр на піксель, тоді як трохи менше ніж 964 000 мультиспектральних зображень надійшли з камери широкого кута — 100 метрів на піксель.

Основна частина даних походить із 17 років спостережень, здійснених місячним розвідувальним орбітальним апаратом (LRO). За даними NASA, обсяг його даних перевищує обсяг даних усіх інших планетарних місій NASA разом узятих. Збірку доповнили дані місії GRAIL (гравітаційне поле), Lunar Prospector (водень) і зонда JAXA Kaguya/SELENE (мінералогія).

Загалом набір даних об’єднує понад 30 просторово узгоджених шарів даних із дев’яти інструментів і чотирьох місій. Щоб запобігти витоку даних між навчальною, валідаційною та тестовою вибірками, корпус розділили географічно за зонами карти, а не розподіляли окремі фрагменти випадковим чином.

Модель отримує дані про умови освітлення, а не вгадує їх

Модель базується на TerraMind — мультимодальній моделі спостереження Землі, — але дослідники навчили її з нуля, а не донавчали. Для кожного фрагмента модель отримує геометрію зйомки як явний контекст, зокрема кути освітлення, положення Сонця та межі фрагмента. На Місяці геометрія освітлення значно сильніше визначає вигляд поверхні, ніж її фактичні властивості. Замість того щоб змушувати модель виправляти це на основі необроблених пікселів, команда просто надає їй цю інформацію.

Модель також навчається одночасно на зображеннях високої та низької роздільної здатності в межах одного циклу навчання, охоплюючи як дрібні деталі, так і великомасштабний контекст. Метод під назвою FlexiViT дає змогу тій самій навченій моделі адаптуватися до завдань із різними розмірами фрагментів зображення без повторного навчання.

Найбільше модель випереджає конкурентів у прогнозуванні льоду

Команда випробувала модель на виявленні кратерів у масштабах 100 і 1 метра, а також на прогнозуванні полярних покладів льоду. Крім того, вона мала сегментувати Irregular Mare Patches (IMP) — молоді вулканічні утворення, які ставлять під сумнів усталені часові рамки охолодження Місяця. За даними технічного звіту, у всіх завданнях попередньо навчена модель не поступалася або перевершувала як поширені базові моделі, так і ідентичну за архітектурою контрольну модель із випадковою ініціалізацією.

Найбільший приріст спостерігався у прогнозуванні покладів льоду. Постійно затінені полярні регіони залишаються достатньо холодними, щоб зберігати водяний лід протягом мільярдів років, і вважаються потенційним джерелом води, кисню та ракетного палива. За даними IBM, модель зменшила похибку прогнозування до 22 відсотків порівняно з найкращою базовою моделлю SwinV2-B.

За даними IBM, у виявленні кратерів на грубому масштабі модель випередила SwinV2-B майже на 19 відсотків. Цей показник отримано під час навчання лише на половині даних, що свідчить: для ефективної роботи моделі потрібно менше розмічених прикладів.

Частково перевага пояснюється способом роботи моделі з даними

Навіть контрольна модель із випадковою ініціалізацією перевершила п’ять із семи базових моделей у прогнозуванні льоду без будь-якого попереднього навчання на місячних даних. За словами дослідників, частина переваги пояснюється способом роботи моделі з різними типами даних. Вона призначає кожному шару даних власний шлях обробки, тоді як базові моделі розглядають усі входи як канали, об’єднані в один стек.

У виявленні кратерів метрового масштабу та сегментації IMP модель приблизно зрівнялася з найсильнішими базовими моделями, а відмінності залишалися в межах варіативності між циклами навчання. IBM заявляє про перевагу над SwinV2-B у 3 відсотки для IMP, але результати виглядають радше порівнюваними, ніж явно кращими.

За словами дослідників, LoRA — легший метод донавчання, за якого навчається лише частина параметрів, — загалом не поступався повному донавчанню, а у виявленні кратерів показав кращі результати. Повне донавчання перемагає лише у двох найменших завданнях.

Корисна для аналізу, але не замінює фізичні вимірювання

Хуан Бернабе-Морено, директор IBM Research Europe, заявив, що модель поєднує спостереження різних інструментів і виявляє закономірності, які важко помітити окремо.

Як показує дослідження, модель не підходить для абсолютного геодезичного позиціонування. У тестах генерації широта й довгота в деяких випадках відхилялися на десятки градусів, а структури рельєфу могли з’являтися зі зміщеними абсолютними значеннями висоти, навіть якщо їхню форму було реконструйовано правильно.

Автори розглядають її як багаторазово використовувану основу для подальших завдань, а не як заміну інструментам фізичних вимірювань. Контрольовані експерименти, що ізолюють внесок кожного нововведення, ще не проведені, а деякі тестові набори даних є невеликими.

Частина модельного сімейства, що зростає

Модель доступна для загального користування на Hugging Face, код опубліковано на GitHub, а саму модель інтегровано у відкритий інструментарій TerraTorch. Команда також оприлюднила готові для машинного навчання набори даних для попереднього навчання та колекції бенчмарків.

Модель є частиною співпраці NASA та IBM «AI for Science». Обидві організації працюють над фундаментальними моделями в межах угоди Space Act із початку 2022 року. У серпні 2023 року вони випустили першу модель Prithvi на Hugging Face, навчену на зображеннях Landsat і Sentinel-2 усієї суміжної території США та адаптовану для картографування повеней і лісових пожеж.

IBM представила Prithvi як частину своєї платформи Watsonx. IBM розробила TerraMind — основу місячної моделі — у 2025 році спільно з ESA та Forschungszentrum Jülich для спостереження Землі.

Google DeepMind розвиває споріднений підхід за допомогою AlphaEarth Foundations, стискаючи оптичні супутникові зображення, радарні й лідарні сканування та кліматичні симуляції у компактні вбудовування поверхні Землі.

Новини ШІ без хайпу — добірка людей

Підпишіться на THE DECODER, щоб читати без реклами, отримувати щотижневу розсилку про ШІ, наш ексклюзивний звіт про передові технології «AI Radar» шість разів на рік, повний доступ до архіву та доступ до розділу коментарів.