Петабайти даних і мільйони знімків: NASA та IBM випустили надпотужний ШІ для Місяця
Lunar Foundation Model обійшла розробку Microsoft(фото: NASA/GSFC/Arizona State University)
NASA та компанія IBM випустили відкриту модель штучного інтелекту NASA-IBM Lunar Foundation Model для дослідження поверхні Місяця.
Про це інформує РБК-Україна з посиланням на NASA.
Подолання складностей навчання: масштаби
Модель навчали переважно на петабайтах даних апарату Lunar Reconnaissance Orbiter (LRO), зібраних за 17 років роботи.
Загалом штучний інтелект опрацював близько 2 мільйонів зображень (понад 1 мільйон високоточних знімків із роздільною здатністю 1 метр та майже 964 тисячі мультиспектральних знімків).
Окрім цього, використовувалися дані місій GRAIL, Lunar Prospector та японського апарату SELENE.
Навчання системи виявилося значно складнішим за аналогічні моделі для Землі.
Через відсутність атмосфери тіні на Місяці є надзвичайно різкими та повністю чорними, позбавленими будь-якої інформації, а через постійну зміну кута сонячного світла один і той самий об'єкт виглядатиме по-різному.
Традиційний метод навчання, коли алгоритм відновлює приховані 90 відсотків зображення на основі 10 відсотків, завершився невдачею, оскільки більшість кратерів з орбіти є майже однаковими.
Науковці знайшли рішення: вони розділили Місяць на окремі сектори за принципом "поділу апельсина" та повністю відокремили навчальні сектори від тестових.
Модель NASA-IBM відтворює карти розподілу ймовірності наявності місячного льоду (за шкалою від синього до жовтого), показані у чотирьох точках (ліворуч) поблизу полюса Місяця (фото: NASA/IBM Research)
Пошук льоду, вулканів та перевершення аналогів
Універсальність базової моделі дозволяє планетологам легко адаптувати її під різні завдання за допомогою невеликої кількості розмічених даних.
Ключові сфери застосування та результати тестування:
Пошук водяного льоду: ШІ моделює стабільність льоду на поверхні та під нею в постійно затінених полярних регіонах, зменшивши кількість помилок на 23 відсотки порівняно з візуальною системою SwinV2-B від Microsoft;
Картографування кратерів: алгоритм виявився на 19 відсотків точнішим за SwinV2-B, використавши лише половину обсягу навчальних даних.
До слова, модель успішно ідентифікувала новий кратер від падіння ракети SpaceX Falcon 9, яке сталося 5 серпня, відокремивши його від вже існуючого.
Дослідження місячного вулканізму: система прискорює пошук рідкісних молодих вулканічних утворень, що допомагає краще зрозуміти термальну еволюцію та історію охолодження Місяця.
На цих знімках, зроблених орбітальним апаратом Lunar Reconnaissance Orbiter, показано поверхню Місяця поблизу кратера Ейнштейна до (ліворуч) та після (праворуч) падіння корпусу ракети SpaceX (фото: NASA/IBM Research)
Частина глобальної ШІ-стратегії NASA
Представлена місячна модель увійшла до екосистеми "AI for Science", яку розробляють NASA та IBM, та була інтегрована у відкритий інструментарій TerraTorch.
До цієї ж лінійки входять сімейство моделей Prithvi для моніторингу стихійних лих і врожайності на Землі, а також модель Surya для прогнозування сонячних спалахів і космічної погоди.
