NASA и IBM представили открытую ИИ-модель для анализа лунных данных
Hacker News · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Коллаборация NASA, IBM Research и USRA привела к созданию открытой мультимодальной модели искусственного интеллекта для обработки разнородных данных о Луне. Модель демонстрирует высокую эффективность в задачах детекции кратеров и анализа полярных льдов, превосходя аналоги без предварительной дообучения на лунных данных.
Ценность: Проект решает проблему фрагментарности научных данных о Луне, предоставляя общедоступный инструмент для автоматизации анализа геологических и физических характеристик спутника Земли.
В сентябре 2026 года NASA и IBM Research представили открытую модель искусственного интеллекта — NASA-IBM Lunar Foundation Model. Разработка была направлена на помощь исследователям в анализе массивных и разнородных наборов данных, собранных в ходе лунных миссий. Ключевым партнером в проекте выступила Ассоциация университетских космических исследований (USRA), которая предоставила экспертизу в области планетологии, разработку датасетов и научную оценку результатов.
Модель была обучена с нуля на базе SomBench — мультимодального набора данных, содержащего почти два миллиона согласованных пакетов информации. Эти данные охватывают 11 модальностей и два пространственных масштаба, объединяя изображения, топографию, геометрию освещения, термофизические свойства, минералогию, радарные данные, гравитацию и другие геологические параметры. Такой подход позволяет модели выявлять взаимосвязи между различными типами наблюдений, а не обрабатывать каждый датасет изолированно.
Значительный вклад в проект внесла доктор Рэйчел Сланк, научный сотрудник Института науки и технологий USRA, работающая по контракту в Центре космических полетов Маршалла NASA. Она выступала экспертом по предметной области, координируя работу научных и модельных команд. Сланк подчеркивала сложность задачи объединения данных с разным разрешением — от 1 метра до 20 километров на пиксель — при сохранении их научной ценности.
Особое внимание было уделено созданию бенчмарков для оценки эффективности. Сланк возглавила разработку высокодетального набора данных кратеров на основе изображений с камеры LROC NAC, вручную идентифицировав более 49 000 лунных кратеров. Этот датасет используется для проверки детекции кратеров в метровом масштабе. Также были созданы бенчмарки для сегментации нерегулярных пятен морей (IMPs) и регрессии перспективности полярного льда.
Тестирование показало, что предобученная модель соответствует или превосходит результаты аналогов, обученных на ImageNet, а также архитектурно идентичных моделей без лунной предварительной настройки. Исследователи отметили высокую эффективность использования меток (label efficiency) в задачах детекции кратеров, что указывает на возможность снижения объема размеченных данных для специфических задач.
Команда разработчиков сделала модель, код дообучения и бенчмарк-датасеты открытыми через платформу Hugging Face. Это решение призвано предоставить сообществу планетологов и специалистов по ИИ универсальную основу для создания новых исследовательских приложений. Открытый доступ к инструментам позволяет ускорить научный анализ лунной поверхности и распределения ресурсов.