Новая модель искусственного интеллекта с открытым исходным кодом, обученная на примерно 2 миллионах фрагментов лунных изображений, может составлять карты кратеров, выявлять необычные вулканические образования и оценивать, где лед может оставаться стабильным вблизи полюсов Луны, объявили в четверг НАСА и IBM. Модель NASA-IBM Lunar Foundation Model объединяет более 1 миллиона изображений с высоким разрешением, полученных с помощью камер, с почти 964 000 мультиспектральных изображений, предоставляя исследователям многоразовую техническую основу для различных видов анализа Луны, вместо отдельной модели для каждой задачи.
В публичном пресс-релизе НАСА система описывается как одна из первых моделей с открытым исходным кодом, созданных специально для лунных исследований. Ее весовые коэффициенты, модели для последующей обработки, эталонные данные и код доступны для стороннего тестирования. Эта открытость важна, поскольку ценность модели будет зависеть не только от результатов, сообщаемых ее создателями, но и от того, смогут ли независимые исследователи воспроизвести результаты и надежно адаптировать систему к различным приборам, условиям освещения и научным вопросам.
В ходе первоначальных оценок модель показала результаты, сопоставимые или превосходящие несколько сильных базовых показателей в области картирования кратеров и сегментации нерегулярных участков морей, а также продемонстрировала явное преимущество в оценке стабильности полярного льда. По данным Reuters. Эти результаты многообещающие, но они измеряют производительность в рамках определенных исследовательских задач, а не в принятии окончательного решения о посадке или подтверждении наличия пригодной для добычи воды.
Общая модель для лунных данных
Базовые модели обучаются на больших наборах данных, поэтому полученные ими представления могут быть адаптированы для решения множества последующих задач с относительно небольшим объемом размеченных данных. В лунных исследованиях такой подход может уменьшить необходимость для ученых каждый раз разрабатывать и обучать специализированную модель с нуля, когда им нужно подсчитать кратеры, сегментировать геологическое образование или сравнить изменения поверхности. Новая модель выступает в качестве общей визуальной основы, которую можно точно настроить для решения конкретной научной задачи.
Данные для обучения в основном получены с помощью лунного разведывательного орбитального аппарата НАСА (LRO), который изучает Луну с 2009 года. За время работы были составлены почти глобальные карты поверхности, а также проведены измерения температуры, состава и радиации. НАСА заявляет, что объем данных LRO превышает объем данных всех остальных планетарных миссий НАСА вместе взятых, что делает архив ценным, но сложным для исчерпывающего изучения вручную.
Модель также включает в себя изображения и информацию о рельефе местности, полученные в ходе миссий НАСА «Лаборатория по изучению гравитации и внутреннего строения Земли» и «Лунный разведчик», а также японской миссии «Селенологический и инженерный исследователь». Комбинирование различных методов позволяет системе распознавать взаимосвязи, которые трудно выявить, используя только один тип изображений. Фотографии высокого разрешения показывают мелкие детали поверхности, а многоспектральные наблюдения и слои рельефа предоставляют информацию о составе, высоте и освещенности.
Три теста, имеющие практическое значение
Обнаружение кратеров — наиболее интуитивно понятное применение этой технологии. Ученые используют количество, размер и распределение ударных кратеров для оценки относительного возраста лунных поверхностей и реконструкции частей истории Солнечной системы. Автоматизация обнаружения в обширных архивах может ускорить эту работу и упростить согласованное сравнение регионов, хотя ручная проверка остается важной, когда тени, перекрывающиеся края или изображения низкого разрешения создают неоднозначность.
Вторая задача связана с нерегулярными участками лунных морей — небольшими вулканическими образованиями, которые выглядят моложе большей части окружающего ландшафта. Их картирование помогает исследователям проверять объяснения вулканической и термической эволюции Луны. Модель позволяет сегментировать эти образования быстрее, чем при ручном поиске, что дает ученым больше времени на интерпретацию их распределения и определение мест, заслуживающих более тщательного наблюдения.
Третье применение, перспективность полярных льдов, имеет наиболее очевидное практическое значение. Постоянно затененные кратеры могут оставаться достаточно холодными, чтобы сохранять лед в течение миллиардов лет. В обзоре НАСА о лунной воде объясняется, что залежи льда могут показать, как вода достигла Луны и перемещалась по ней. В будущей исследовательской программе доступная вода также может использоваться для питьевых нужд, производства кислорода или топлива, но карты перспективности определяют вероятные места, а не подтверждают количество, чистоту или возможность извлечения месторождения.
Открытый доступ расширяет возможности тестирования
НАСА и IBM опубликовали коллекцию моделей на платформе Hugging Face, включая отдельные версии для последующего анализа, предназначенные для обнаружения кратеров, оценки перспективности льда и сегментации нерегулярных участков морей. Этот релиз предоставляет университетам и небольшим исследовательским группам доступ к системе, обучение которой в одиночку было бы дорогостоящим. Он также создает общую базовую модель для сравнения новых подходов, вместо того чтобы заставлять каждую лабораторию создавать свою собственную отправную точку.
В репозитории кода, связанном с проектом, представлены инструменты для тонкой настройки и вывода результатов, интеграция с открытым фреймворком TerraTorch и конфигурации для последующих задач. NASA также выпустило готовые к использованию в машинном обучении наборы данных и коллекции эталонных показателей. В репозитории отмечается, что код для предварительного обучения не включен, что является ограничением, которое исследователям необходимо учитывать при оценке того, насколько полно можно воспроизвести исходный процесс обучения.
Открытые веса и код не устраняют автоматически другие препятствия. Запуск крупной модели компьютерного зрения по-прежнему требует вычислительных ресурсов, технических знаний и тщательной обработки данных. Исследователи также должны изучить, содержат ли эталонные наборы данных географические или сенсорные искажения, перекрываются ли обучающие изображения с оценочным материалом и как изменяются ошибки модели в регионах с экстремальным или непостоянным освещением.
Почему сложно получать снимки Луны
Луна представляет собой необычную проблему для компьютерного зрения. Из-за практически полного отсутствия атмосферы внешний вид поверхности сильно зависит от угла падения солнечного света, и вблизи полюсов одна и та же особенность может выглядеть совершенно по-разному при разных наблюдениях. Глубокие тени могут скрывать дно кратеров, а светлые склоны могут уменьшать видимую текстуру. НАСА предупреждает, что изменение освещения может повлиять на видимость небольших кратеров, даже если лежащий в их основе рельеф остается неизменным.
Разрешение добавляет еще одно ограничение. Архив обучающих данных объединяет изображения с разрешением от приблизительно 1 до 100 метров на пиксель, а это значит, что один слой данных может показывать объект масштаба валуна, в то время как другой фиксирует только его более широкую геологическую обстановку. Модель должна научиться устанавливать полезные связи между этими масштабами, не рассматривая каждое различие как физическое изменение. Поэтому ее прогнозы лучше рассматривать как инструменты для определения приоритетов в экспертном анализе, а не как замену калибровке приборов или геологической оценке.
Сопутствующий технический отчет и контрольные показатели позволят специалистам изучить архитектуру, выбор методов обучения и производительность в конкретных задачах. Наиболее важные последующие данные будут получены в результате независимой оценки на основе данных, которые разработчики модели не выбирали, включая наблюдения из других миссий и недавно собранные изображения. Улучшение на 23% по одному контрольному показателю может быть значимым, не подразумевая при этом одинакового прогресса во всех регионах Луны или для каждой научной задачи.
Искусственный интеллект становится научной инфраструктурой
Лунная модель является частью более масштабной совместной работы НАСА и IBM по созданию многоразовых систем искусственного интеллекта для научных исследований. Ранее модели Prithvi использовались для наблюдения за Землей, прогнозирования погоды, наводнений, урожайности и ураганов, а солнечная модель была разработана для прогнозирования космической погоды. Стратегия НАСА в области ИИ рассматривает эти системы как способ извлечения большей пользы из больших общедоступных наборов данных, которые растут быстрее, чем исследователи могут обрабатывать их вручную.
Такой подход может изменить экономику научного программного обеспечения. Обучение одной широко применимой модели и ее открытое распространение позволяет многим командам разделить высокие первоначальные затраты, а затем направить свои ресурсы на проверку и специализированные приложения. Это также может улучшить сопоставимость результатов исследований, если исследователи сообщают о результатах, полученных с использованием одних и тех же контрольных показателей. Компромисс заключается в том, что широко используемая базовая модель может распространять свои «слепые зоны» на многие проекты, что делает документацию и независимое тестирование крайне важными.
Непосредственный контекст миссии — это программа НАСА «Артемида», цель которой — накопление опыта для длительного исследования Луны и последующих миссий на Марс. Более точные карты могли бы помочь сузить круг потенциальных мест посадки, выявить опасности рельефа и определить приоритетные участки для прямых измерений ресурсов. Однако модель не выбирает место посадки самостоятельно; инженерные ограничения, связь, освещение, научные цели и прямые наблюдения — все это остается частью этого решения.
Что устанавливает этот релиз?
В публикации NASA-IBM показано, что одна предварительно обученная система может конкурентоспособно справляться с несколькими задачами картографирования Луны, и что её создатели предоставляют ключевые ресурсы для тщательного изучения. Однако это не доказывает точность каждого прогноза, возможность извлечения предполагаемого льда или то, что автоматизированный анализ может заменить планетологов. Эти различия особенно важны, когда результаты, полученные с помощью ИИ, влияют на дорогостоящие миссии или планирование, имеющее критически важное значение для безопасности.
На следующем этапе будет проверено, станет ли модель надежной исследовательской платформой, а не просто успешной демонстрацией. Внедрение независимыми группами, эффективность на новых данных миссии, прозрачная отчетность о сбоях и измеримое сокращение времени анализа обеспечат более убедительные доказательства ее операционной ценности. На данный момент НАСА и IBM снизили технический барьер для применения передовых методов компьютерного зрения к Луне и открыли систему для научного сообщества, которому предстоит определить, насколько велики ее преимущества.