IBM и NASA создали ИИ для картографирования Луны: модель объединит десятилетия данных

Lunar Foundation Model обрабатывает снимки, высотные данные, радиолокацию и спектрометрию в единую картину. Она превосходит предыдущие модели на 19% в обнаружении кратеров и на 22% в поиске льда.

IBM и NASA объединили усилия для создания новой модели искусственного интеллекта (ИИ), способной обрабатывать десятилетия лунных данных, чтобы однажды ученые могли более точно картографировать поверхность Луны.

Десятилетия роботизированных лунных миссий оставили ученым огромный, разрозненный массив данных. Традиционно эти данные анализировались ограниченными трансформерными моделями, такими как SwinV2-B, созданная в 2022 году как универсальная модель для понимания изображений и повышения точности распознавания фотографий и связанных задач компьютерного зрения. Космические аппараты, обращающиеся вокруг Луны, собирали эти данные с помощью несовместимого набора датчиков, без доступного способа их анализа или использования.

В частности, изображения с высокоразрешающих оптических камер, лазерных альтиметров, инструментов радиолокационного отражения и спектрометров, измеряющих плотность элементов, создали огромные наборы данных — но объединение их в связную картину лунной поверхности было трудоемким и вычислительно затратным процессом.

Чтобы преодолеть узкое место с данными, исследователи из NASA и IBM объединились для создания Lunar Foundation Model (LFM). Эта гибкая ИИ-система предназначена для объединения мультимодальных, многоразрешающих данных для построения детальной картины лунной поверхности в поддержку будущих миссий. Команда опубликовала свои findings 10 сентября в технической статье, переданной Live Science.

Ученые хотели создать единую, многоразовую базовую ИИ-модель, которая была бы свободно доступна ученым через открытый репозиторий ИИ-моделей Hugging Face. Поскольку модель является открытой, исследователи могут донастраивать ИИ для решения конкретных вопросов в рамках разных проектов.

Для NASA это включает сложные задачи, такие как создание надежной карты кратеров, чтобы исследователи могли наметить безопасные зоны посадки, или анализ этих кратеров на предмет подсказок о химическом составе лунных недр и ее истории.

LFM также позволяет ученым прочесывать данные в поисках сильно затененных участков на Луне, которые часто скрывают подповерхностный лед, критически важный для создания долгосрочных лунных баз. Вулканическая активность также может отслеживаться и сопоставляться, что позволит будущим проектам избегать нестабильного рельефа и раскроет понимание термической эволюции Луны.

Уникальные вызовы

Обработка лунных наблюдений представляет уникальные вычислительные проблемы, отличающиеся от аналогичных моделей, которые охватывают погоду, геопространственные данные и гелиофизику. Лунный разведывательный орбитальный аппарат NASA и другие космические аппараты собирают измерения в vastly разных пространственных масштабах — от широких региональных карт с разрешением 100 метров на пиксель до сканирования рельефа с разрешением 1 м на пиксель.

Поскольку Луна лишена атмосферы, экстремальная геометрия солнечного света является проблемой, создавая глубокие, обманчивые тени. Солнечный свет также может засвечивать тонкие геологические детали в зависимости от того, когда было сделано изображение.

Чтобы преодолеть эти проблемы, команда составила многослойный эталонный набор данных под названием SomBench, состоящий из почти 2 миллионов перекрывающихся фрагментов карт, называемых тайлами. SomBench организует эти данные в выровненные треки, чтобы данные от совершенно разных инструментов или изображения, снятые с разным разрешением или под разными углами, оказывались вместе, если они захватывают одни и те же тайлы.

Слои с более низким разрешением обеспечивают широкоугольные обзоры, а также данные ультрафиолетового отражения и высотные данные. Слои высокого разрешения объединяют детальные снимки камер с метровыми картами рельефа, уклона и ориентации. Специализированные показания теплового поведения, поверхностной минералогии и локальных гравитационных аномалий также наслаиваются.

LFM учится интерпретировать все эти слоистые данные с помощью техники, называемой masked-token learning, при которой части набора данных скрываются, чтобы ИИ заполнил пробелы. Во время обучения ИИ показывают часть лунного тайла, например его видимый свет и высоту, и ничего больше. Модель затем непрерывно предсказывает скрытую информацию на миллионах примеров и учится взаимосвязям между элементами, такими как освещение, структура рельефа и физическая география.

Анализ освещения встроен непосредственно в основную архитектуру модели. Вместо того чтобы заставлять модель выводить уровни освещенности исключительно из теней, исследователи предоставили явные метаданные, описывающие солнечные углы и положения космических аппаратов. Это позволяет модели использовать свою вычислительную мощность для распознавания фактических особенностей рельефа, а не быть обманутой тенями.

Один гигантский скачок

ИИ-модель показала хорошие результаты по четырем задачам, на которых она оценивалась. В обнаружении кратеров она превзошла SwinV2-B почти на 19%, используя вдвое меньше обучающих меток. При оценке перспективности полярного льда в верхнем метре реголита (лунной пыли и камней) LFM сохранила сильную предсказательную способность с меньшим количеством каналов данных и снизила ошибки в выявлении областей с высоким потенциалом лунного льда до 22% по сравнению с SwinV2-B. Ее производительность на метровом картографировании кратеров и редких вулканических формах была аналогично конкурентоспособной с лучшими специализированными моделями.

Ученые могут настраивать LFM с помощью легковесных техник, таких как low-rank adaptation — способа донастройки ИИ путем изменения крошечного набора весов без затрагивания большей части оригинальной модели. Это позволяет исследователям адаптировать модель к специализированным задачам исследования без крутых вычислительных затрат на обучение ИИ с нуля.

Однако исследователи предупредили в заявлении, что система лучше всего служит помощником по распознаванию образов и не является заменой прямым физическим измерениям. Тем не менее команда заявила, что модель представляет собой major leap к превращению десятилетий сырых данных в унифицированный, интеллектуальный инструмент для будущих роботизированных и пилотируемых лунных миссий.

В ближайшей перспективе ученые, вероятно, будут использовать LFM как основу для ключевых задач лунного дистанционного зондирования, пока наращивается длительный процесс ее донастройки. Со временем модель будет усовершенствована для таких задач, как улучшенное обнаружение и картографирование кратеров, сегментация тонких геоморфологических единиц, таких как участки нерегулярных морей (вулканической активности), и улучшение обнаружения полярного льда путем интеграции слоев рельефа, освещения и тепловых данных.

Новый взгляд на Луну: как ИИ объединяет десятилетия данных

Луна — самый изученный объект Солнечной системы после Земли. Но данные о ней разрознены. Снимки, высотные карты, радиолокация, спектрометрия — все это существует, но в разных форматах, с разным разрешением, из разных источников.

Lunar Foundation Model решает эту проблему. Это не просто еще одна ИИ-модель. Это попытка создать единый язык для описания лунной поверхности.

Техника masked-token learning — ключ к успеху. Модель учится, заполняя пробелы. Ей показывают часть данных, и она предсказывает остальное. Миллионы примеров — и она начинает понимать, как связаны освещение, рельеф и геология.

Для будущих миссий это критически важно. Посадка на Луну требует точных карт. Поиск льда требует анализа затененных кратеров. Избегание нестабильного рельефа требует понимания вулканической истории.

LFM делает все это возможным. И, что важно, модель открыта. Любой исследователь может использовать ее, настраивать под свои задачи, делиться результатами.

Для NASA это шаг к возвращению на Луну. Для науки — новый инструмент. Для человечества — возможность лучше понять наш ближайший сосед.

Источники: IBM, NASA, техническая статья от 10 сентября, Hugging Face, Live Science.