НАСА и IBM представили ИИ‑модель для исследования Луны

Мозаика из 10 снимков, сделанных узкоугольной камерой лунного разведывательного орбитального аппарата НАСА (Lunar Reconnaissance Orbiter) в период с июня 2012 года по апрель 2016 года, на которой изображены вулканический объект пик Рюмкера и окружающие его равнины морей

НАСА начинает активнее использовать искусственный интеллект для изучения Луны, чтобы изменить подход исследователей к анализу её поверхности. В рамках сотрудничества с IBM Research и несколькими научными организациями агентство представило NASA‑IBM Lunar Foundation Model, одну из первых открытых ИИ‑моделей, созданных специально для лунных исследований. Модель обучалась преимущественно на данных орбитального аппарата НАСА Lunar Reconnaissance Orbiter (LRO). Она размещена в открытом доступе на Hugging Face, а полный исходный код опубликован на GitHub.

В отличие от традиционных моделей, для которых под каждую задачу приходится создавать и обучать отдельный алгоритм, фундаментальные модели предварительно обучают на огромных массивах неразмеченных данных. Полученные таким образом знания позволяют быстро адаптировать их к разным научным задачам с помощью дополнительного обучения на сравнительно небольших наборах данных.

Модель NASA‑IBM воспроизводит картину перспективности наличия льда на Луне (в масштабе от синего до желтого), показанную в четырёх точках (слева) вблизи полюса Луны. Верхний ряд: эталонная карта перспективности наличия льда на горе Монс‑Мутон вблизи южного полюса Луны; средний ряд: прогнозы по модели ConvNeXt; нижний ряд: прогнозы по модели NASA‑IBM. Модель NASA‑IBM сохраняет многие мелкомасштабные особенности распределения перспективности, присутствующие в эталонных данных

Данные, собранные LRO за последние 17 лет, хорошо подходят для такой модели, поскольку подробно охватывают большую часть поверхности Луны. NASA‑IBM Lunar Foundation Model обучили примерно на двух миллионах фрагментов изображений. В них вошли более миллиона снимков высокого разрешения с детализацией до одного метра и почти 964 тысячи мультиспектральных изображений с разрешением 100 метров. Кроме того, для обучения использовали изображения и данные о рельефе, полученные другими миссиями, включая НАСА GRAIL, Lunar Prospector и японский аппарат SELENE.

Благодаря предварительному обучению планетологи могут адаптировать модель к различным задачам, используя сравнительно небольшое количество размеченных данных. Например, она может картировать кратеры, находить молодые вулканические образования и оценивать возможное расположение льда возле лунных полюсов.

При изучении полярного льда модель помогает определять области, где лёд может сохраняться на поверхности и под ней. Постоянно затенённые районы Луны остаются достаточно холодными, чтобы удерживать лёд на протяжении миллиардов лет.

На этих снимках, полученных с орбитального аппарата Lunar Reconnaissance Orbiter, показана поверхность Луны вблизи кратера Эйнштейна до (слева) и после (справа) падения корпуса ракеты SpaceX. Модель NASA‑IBM Lunar Foundation Model обнаружила существующие кратеры (синие контуры) и выделила вновь образовавшийся ударный кратер (красная рамка). Поскольку снимок, сделанный после удара, не входил в набор данных для предварительного обучения, этот тест демонстрирует, как модель можно настроить для распознавания изменений поверхности между наблюдениями. Такой подход может помочь учёным автоматически обнаруживать естественные удары и изменения поверхности в обширных наборах данных о Луне, хотя различные условия освещения между орбитами могут влиять на видимость небольших кратеров.

При изучении вулканической истории Луны модель ускоряет поиск необычных образований, известных как irregular mare patches, или «необычные участки лунных морей». Эти структуры выглядят сравнительно молодыми и поэтому ставят под сомнение существующие представления о времени остывания Луны.

Модель также способна эффективнее ручных методов картировать такие объекты поверхности, как кратеры.

В испытаниях NASA‑IBM Lunar Foundation Model показала результаты на уровне или выше нескольких сильных базовых моделей. При картировании кратеров и выделении необычных участков лунных морей результаты были сопоставимы, а при оценке устойчивости полярного льда новая модель продемонстрировала явное преимущество.