Петтабайты данных и миллионы снимков: NASA и IBM выпустили сверхмощный ИИ для Луны
Lunar Foundation Model обошла разработку Microsoft (фото: NASA/GSFC/Arizona State University)
NASA и IBM выпустили открытую модель искусственного интеллекта NASA-IBM Lunar Foundation Model для исследования поверхности Луны.
Об этом информирует РБК-Украина со ссылкой на NASA.
Преодоление сложностей обучения: масштабы
Модель обучали преимущественно на петабайтах данных аппарата Lunar Reconnaissance Orbiter (LRO), собранных за 17 лет работы.
В общей сложности искусственный интеллект обработал около 2 миллионов изображений (свыше 1 миллиона высокоточных снимков с разрешением 1 метр и почти 964 тысячи мультиспектральных снимков).
Кроме того, использовались данные миссий GRAIL, Lunar Prospector и японского аппарата SELENE.
Обучение системы оказалось значительно сложнее аналогичных моделей для Земли.
Из-за отсутствия атмосферы тени на Луне чрезвычайно резки и полностью черны, лишены какой-либо информации, а из-за постоянного изменения угла солнечного света один и тот же объект будет выглядеть по-разному.
Традиционный метод обучения, когда алгоритм восстанавливает скрытые 90 процентов изображения на основе 10 процентов, завершился неудачей, поскольку большинство кратеров с орбиты почти одинаковы.
Ученые нашли решение: они разделили Луну на отдельные сектора по принципу разделения апельсина и полностью отделили учебные сектора от тестовых.
Модель NASA-IBM воспроизводит карты распределения вероятности наличия лунного льда (по шкале от синего до желтого), показанные в четырех точках (слева) вблизи полюса Луны (фото: NASA/IBM Research)
Поиск льда, вулканов и превращение аналогов
Универсальность базовой модели позволяет планетологам легко адаптировать ее под разные задачи с помощью небольшого количества размеченных данных.
Ключевые области применения и результаты тестирования:
Поиск водяного льда: ИИ моделирует стабильность льда на поверхности и под ней в постоянно затененных полярных регионах, уменьшив количество ошибок на 23 процента по сравнению с визуальной системой SwinV2-B от Microsoft;
Картографирование кратеров: алгоритм оказался на 19 процентов точнее SwinV2-B, использовав лишь половину объема обучающих данных.
К слову, модель успешно идентифицировала новый кратер от падения ракеты SpaceX Falcon 9, произошедшего 5 августа, отделив его от существующего.
Исследование лунного вулканизма: система ускоряет поиск редких молодых вулканических образований, что помогает лучше понять термальную эволюцию и историю охлаждения Луны.
На этих снимках, сделанных орбитальным аппаратом Lunar Reconnaissance Orbiter, показана поверхность Луны вблизи кратера Эйнштейна до (слева) и после (справа) падения корпуса ракеты SpaceX (фото: NASA/IBM Research)
Часть глобальной ИИ-стратегии NASA
Представленная лунная модель вошла в экосистему "AI for Science", которую разрабатывают NASA и IBM и была интегрирована в открытый инструментарий TerraTorch.
В эту же линейку входят семейство моделей Prithvi для мониторинга стихийных бедствий и урожайности на Земле, а также модель Surya для прогнозирования солнечных вспышек и космической погоды.
