NASA နှင့် IBM တို့သည် သိပ္ပံပညာရှင်များအား ဆယ်စုနှစ်များစွာကြာ လေ့လာကြည့်ရှုမှုများမှ ထိုးထွင်းသိမြင်နားလည်မှုများကို ထုတ်ယူနိုင်ရန် သိပ္ပံပညာရှင်များကို ကူညီပေးမည့် AI မော်ဒယ် NASA-IBM Lunar Foundation Model ၏ open-source ဖြန့်ချိမှုကို ဗုဒ္ဓဟူးနေ့တွင် ထုတ်ပြန်ကြေညာခဲ့သည် — လကို သိပ္ပံနည်းကျရှာဖွေရေးအတွက် တည်ဆောက်ထားသော ပထမဆုံးသော လူသိရှင်ကြားရရှိနိုင်သော အခြေခံမော်ဒယ်များထဲမှတစ်ခုဖြစ်သည်။ Hugging Face မှ ဒေါင်းလုဒ်လုပ်နိုင်ကြောင်း Computer Weekly မှ အစီရင်ခံချက်ဖြင့် ယခုမော်ဒယ်ကို ရရှိနေပြီဖြစ်သည်။

ထုတ်ဝေမှုတွင် ဂြိုလ်သိပ္ပံပညာရှင်များနှင့် အကျွမ်းတဝင်ရှိသော ပြဿနာတစ်ရပ်ကို ပစ်မှတ်ထားပါသည်- ဒေတာအလွန်အကျွံ၊ တစ်နေ့တာ နာရီအနည်းငယ်ကြာသည်။ ဆယ်စုနှစ်များစွာကြာအောင် အာရုံခံကိရိယာများနှင့် တူရိယာများသည် လကို စဉ်ဆက်မပြတ် စောင့်ကြည့်လေ့လာခဲ့ပြီး သတင်းအချက်အလက်များ၏ petabytes များကို ဖန်တီးပေးခဲ့သည်။ မျက်နှာပြင်ကို လေ့လာရန်အတွက် သိပ္ပံပညာရှင်များသည် မြေပုံများနှင့် ရုပ်ပုံများကို လက်ဖြင့် ခွဲခြမ်းစိပ်ဖြာရပါမည် သို့မဟုတ် ပုံရိပ်ပြတ်သားမှု နည်းပါးသော အလုပ်-သီးသန့် စက်သင်ယူမှု မော်ဒယ်များကို အားကိုးရပါမည် — IBM မှ ဖော်ပြသော ချဉ်းကပ်မှုများသည် ကွန်ပြူတာ လွန်ကဲပြီး ပထဝီဝင်အင်္ဂါရပ်များကို ခွဲခြားခွဲခြမ်းစိတ်ဖြာရန် လိုအပ်သော တိကျမှု မကြာခဏ ကင်းမဲ့နေပါသည်။ For more context on this story, see our ongoing AI industry coverage.

ရေခဲများ၊ မီးတောင်များနှင့် ရှေးဟောင်း မီးတောင်များကို ရှာဖွေခြင်း။

မော်ဒယ်သည် မတူညီသော အမျိုးအစားများနှင့် လဒေတာများ၏ ကြည်လင်ပြတ်သားမှုများစွာရှိ လျှို့ဝှက်ဆက်ဆံရေးများကို ဖော်ပြရန် လေ့ကျင့်သင်ကြားထားပြီး IBM ၏ ကြေညာချက်တွင် ထင်ရှားကျော်ကြားသော အပလီကေးရှင်းသုံးခုကို ဖော်ပြထားပါသည်။

ဖြစ်နိုင်ချေရှိသော ရေခဲသိုက်များ။ လဝင်ရိုးစွန်းများအနီးတွင် အမြဲတမ်းအရိပ်ရနေသည့်နေရာများသည် လပေါ်ရှိ စောင့်ကြည့်ရန် အခက်ခဲဆုံးနေရာများထဲတွင် ပါဝင်သော်လည်း ၎င်းတို့သည် မျက်နှာပြင်အောက်ရှိ ရေခဲများကို ထိန်းထားနိုင်သည် — အနာဂတ်လစခန်းအတွက် မရှိမဖြစ်လိုအပ်သော အရင်းအမြစ်တစ်ခုဖြစ်သည့် အင်္ဂါဂြိုလ်သို့ မစ်ရှင်အတွက် ရော့ကက်လောင်စာများ ထုတ်လုပ်ရန်အတွက် ဖြစ်သည်။ NASA-IBM အဖွဲ့မှ ရေးသားခဲ့သော နည်းပညာဆိုင်ရာစာတမ်းတစ်ခုတွင်၊ မော်ဒယ်သည် လ၏ရေခဲအတွက် အလားအလာမြင့်မားသောနေရာများကို ခွဲခြားသတ်မှတ်ရာတွင် အမှားအယွင်း (RMSE) ကို 22 ရာခိုင်နှုန်းအထိ အထိ လျှော့ချပေးနိုင်သည့် SwinV2-B (ImageNet) ရူပါရုံမော်ဒယ်နှင့် နှိုင်းယှဉ်ပါသည်။ မီးတောင်ပေါက်များကို ထောက်လှမ်းခြင်း။ မီးတောင်ပေါက်များသည် မြေပြင်အနေအထား၏ သက်တမ်း၊ လဘူမိဗေဒနှင့် အစောပိုင်း လအတွင်းပိုင်း၏ ဓာတုဖွဲ့စည်းမှုဆိုင်ရာ သဲလွန်စများကို ဖော်ထုတ်ပေးပြီး ၎င်းတို့ကို မြေပုံဆွဲခြင်းဖြင့် NASA မှ ဘေးကင်းသော ဆင်းသက်သည့်နေရာများကို ရွေးချယ်ကာ မတ်စောက်သော တောင်စောင်းများနှင့် ကျောက်တုံးများကဲ့သို့သော အန္တရာယ်များကို ရှောင်ရှားရန် ကူညီပေးသည်။ မော်ဒယ်သည် ပိုမိုထိရောက်မှုနှင့် ချိန်ညှိမှုကုန်ကျစရိတ်များကို လျှော့ချပေးကာ ပိုမိုကောင်းမွန်သော ထိရောက်မှုရှိပြီး ကုန်ကျစရိတ်သက်သာစွာဖြင့် မော်ဒယ်လ်သည် မီတာစကေးကြည်လင်ပြတ်သားမှုဖြင့် ခွဲခြားခွဲခြားနိုင်သည်ဟု IBM မှ ပြောကြားခဲ့သည်။ အကြမ်းဖျင်းအားဖြင့် 100 မီတာ ကြည်လင်ပြတ်သားမှုတွင်၊ ၎င်းသည် လေ့ကျင့်ရေးဒေတာ ထက်ဝက်မျှသာ အသုံးပြု၍ ** SwinV2-B ကို 19 ရာခိုင်နှုန်းနီးပါး စွမ်းဆောင်ရည် ပိုမိုကောင်းမွန်စေသည်။ မီးတောင်သမိုင်း။ မော်ဒယ်သည် Irregular Mare Patches — သိပ္ပံပညာရှင်များအား လ၏ အပူပိုင်းဆင့်ကဲဖြစ်စဉ်ကို နားလည်နိုင်စေမည့် လျှို့ဝှက်ဆန်းကြယ်သော မီးတောင်အင်္ဂါရပ်များကို ခြေရာခံသည်။ မစုံလင်သောအညွှန်းများကို ကျွေးမွေးသည့်အခါတွင်ပင်၊ ၎င်းသည် SwinV2-B အခြေခံလိုင်းထက် 3 ရာခိုင်နှုန်းပိုကောင်းသည့် ဤအင်္ဂါရပ်များ၏အတိုင်းအတာကို ဖမ်းယူနိုင်သည်။

ပေါင်းစပ်ထည့်သွင်းထားသော၊ IBM သည် လမျက်နှာပြင်ပေါ်ရှိ အဓိကပထဝီဝင်အင်္ဂါရပ်များကို ဖော်ထုတ်ရာတွင် 23 ရာခိုင်နှုန်း အထိ အသုံးများသောနည်းလမ်းများကို ကျော်လွန်အသုံးပြုနေသည်ဟု IBM မှပြောကြားခဲ့သည်။

ပထမဆုံး ပေါင်းစပ်ဖွင့်ထားသော Lunar Dataset

မော်ဒယ်နှင့်အတူ IBM နှင့် NASA သိပ္ပံပညာရှင်များသည် ကုမ္ပဏီများ၏ ပထမဆုံး open-source lunar dataset အမျိုးအစားအဖြစ် ဖော်ပြထားသည်- တစ်စုတစ်စည်းတည်းဖြစ်သော စက်-သင်ယူခြင်း-အဆင်သင့်စုစည်းမှု မစ်ရှင်လေးခုရှိ တူရိယာကိုးခုမှ နေရာဒေသအလိုက် ညှိထားသော အလွှာ 30 ကျော် ကို ပေါင်းစပ်တည်ဆောက်ခဲ့သည်။ ၎င်းသည် နာဆာ၏ Lunar Reconnaissance Orbiter (LRO) နှင့် GRAIL မစ်ရှင်များအပါအဝင် လမျက်နှာပြင်၏ ဘူမိရူပဆိုင်ရာ ဂုဏ်သတ္တိများကို ဖမ်းယူသည့် သောင်းနှင့်ချီသော မြေပုံများနှင့် ပေါင်းစပ်ထားသည်။ ကုန်သွယ်မှုထုတ်ဝေခြင်း Unite.ai သည် ပါ၀င်သည့် စံနှုန်းဒေတာအတွဲကို SomBench အဖြစ် ဖော်ပြခဲ့သည်။

ဒေတာအတွဲသည် မော်ဒယ်ကဲ့သို့ပင် အရေးကြီးသည်။ ယခုအချိန်အထိ IBM မှ လူသိရှင်ကြားမရရှိနိုင်သော ဒေတာအစုံသည် Moon's multimodal၊ multi-resolution လေ့လာတွေ့ရှိချက်များကို ခေတ်မီစက်သင်ကြားမှုအတွက် သင့်လျော်သည့် ဘုံဘောင်တစ်ခုအဖြစ်သို့ ယူဆောင်လာကြောင်း မှတ်ချက်ပြုခဲ့သည် — ဆိုလိုသည်မှာ လပေါင်းများစွာကြာသော ဒေတာအင်ဂျင်နီယာကို လသိပ္ပံပညာတွင် နက်ရှိုင်းစွာ သင်ယူလိုသော မည်သည့်သုတေသနအဖွဲ့မှ မဆိုလိုပါ။

NASA နဲ့ IBM ဘာတွေပြောနေတာလဲ

"NASA သည် လ၏ ထူးခြားသော သိပ္ပံနည်းကျမှတ်တမ်းတစ်ခုကို ဆယ်စုနှစ်များစွာကြာအောင် တည်ဆောက်ခဲ့သော်လည်း ဒေတာစုဆောင်းခြင်းမှာ အလုပ်၏တစ်စိတ်တစ်ပိုင်းသာဖြစ်သည်" ဟု NASA ရုံးချုပ်ရှိ သိပ္ပံအချက်အလက်အရာရှိချုပ်နှင့် ယာယီအချက်အလက်နှင့် AI အရာရှိချုပ် Kevin Murphy က ပြောကြားခဲ့သည်။ "သိပ္ပံပညာရှင်များ စူးစမ်းလေ့လာအသုံးပြုရန် ဒေတာများကို ပိုမိုလွယ်ကူအောင် ပြုလုပ်ရန်လည်း လိုအပ်ပါသည်။ NASA-IBM Lunar Foundation Model သည် NASA ၏ သိပ္ပံဆိုင်ရာ အချက်အလက်များ၏ petabytes သို့ AI ကို ယူဆောင်လာသောအခါ ဖြစ်နိုင်ချေကို ပြသပါသည်။"

"လ၏ နက်နဲသောအရာများကို ဖော်ထုတ်ခြင်းသည် ထူးထူးခြားခြား သိပ္ပံနည်းကျ ဒေတာပမာဏမှ သင်ယူနိုင်မှု လိုအပ်သည်" ဟု IBM Research Europe၊ UK နှင့် Ireland ၏ ဒါရိုက်တာ Juan Bernabe-Moreno က ပြောကြားခဲ့သည်။ "NASA-IBM Lunar Foundation Model သည် သိပ္ပံပညာရှင်များအား လကို အတိုင်းအတာတစ်ခုအထိ စူးစမ်းလေ့လာရန် အခြေခံအုတ်မြစ်တစ်ခု ပေးထားပြီး၊ ကိရိယာများမှတစ်ဆင့် စူးစမ်းလေ့လာမှုများကို ချိတ်ဆက်ကာ သီးခြားမြင်ရခက်သည့် ပုံစံများကို ဖော်ထုတ်ကာ ကမ္ဘာလုံးဆိုင်ရာ သုတေသနအသိုက်အဝန်းတွင် တည်ဆောက်နိုင်သည့် ပွင့်လင်းသော ပလက်ဖောင်းကို ပံ့ပိုးပေးပါသည်။"

ဘာကြောင့် Open Source အရေးပါလဲ။

open-source ဘောင်သွင်းခြင်းသည် တမင်သက်သက်ဖြစ်သည်။ အလေးများကို လူသိရှင်ကြားထုတ်ပြန်ခြင်းဖြင့်၊ NASA နှင့် IBM တို့သည် ကမ္ဘာတစ်ဝှမ်းရှိ ဓာတ်ခွဲခန်းများ၊ တက္ကသိုလ်များနှင့် အာကာသအေဂျင်စီများအား ၎င်းတို့၏ကိုယ်ပိုင်မေးခွန်းများအတွက် ဆင်းသက်သည့်နေရာရွေးချယ်မှုမှ လ၏မျက်နှာပြင်ပြောင်းလဲမှုဆိုင်ရာ အခြေခံလေ့လာမှုများအထိ ၎င်းတို့၏ကိုယ်ပိုင်မေးခွန်းများအတွက် စံနမူနာကို ကောင်းစွာချိန်ညှိရန် ဖိတ်ခေါ်လျက်ရှိသည်။ သေးငယ်သော အဖွဲ့များအတွက်ပင် လက်တွေ့ကျစေသည်ဟု IBM မှ ပြောကြားခဲ့ပါသည်။

လပေါ်တွင် စဉ်ဆက်မပြတ် လူသားများတည်ရှိမှုဆီသို့ ဦးတည်လုပ်ဆောင်နေသည့် အာကာသအစီအစဉ်များစွာဖြင့်၊ အရင်းအမြစ်များသည် အရေးကြီးသည်- ရေခဲများသည် အသက်ရှူရန်အတွက် အောက်ဆီဂျင်နှင့် ဟိုက်ဒရိုဂျင်-အောက်ဆီဂျင် ပန်ကာများကို အင်္ဂါဂြိုလ်သို့ လည်ပတ်ရန်အတွက် ဒုံးပျံများကို လောင်စာဆီဖြည့်သွင်းပေးသည်။ ထိုရေခဲထိုင်သည့်နေရာကို မြေပုံဆွဲခြင်း၊ မျက်နှာပြင်သည် ဆင်းသက်ရန် အန္တရာယ်ကင်းသည့်နေရာကို ပုံဖော်ခြင်းဖြစ်ပြီး အခြေခံအလုပ်ဖြစ်သည်—၎င်းသည် ပုံစံ-မှတ်သားမှုပြဿနာ ဖောင်ဒေးရှင်းမော်ဒယ်များ၏ ကောင်းစွာသက်သေပြထားသည့် ပုံစံအတိုင်းဖြစ်သည်။

ယခုထုတ်ဝေမှုသည် သိပ္ပံအတွက် AI တွင် ပိုမိုကျယ်ပြန့်သောလမ်းကြောင်းကို အချက်ပြသည်- chatbots များကို လိုက်ရှာမည့်အစား၊ အများသူငှာ သုတေသနအဖွဲ့အစည်းများသည် ၎င်းတို့၏ တူရိယာများ စုဆောင်းထားသော သိပ္ပံနည်းကျ အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းမပြုသော သိပ္ပံဆိုင်ရာ အချက်အလက်များ၏ တောင်တန်းတွင် အခြေခံအုတ်မြစ်မော်ဒယ်နည်းပညာများကို ပိုမိုညွှန်ပြလျက်ရှိသည်။ လသည် စတင်ရန် နေရာကောင်းတစ်ခုဖြစ်သည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →