NASA och IBM tillkännagav på onsdagen frisläppandet av öppen källkod av NASA-IBM Lunar Foundation Model, en AI-modell utformad för att hjälpa forskare att utvinna insikter från årtionden av månobservationer - en av de första allmänt tillgängliga grundmodellerna byggda för vetenskaplig utforskning av månen. Modellen är tillgänglig nu, med Computer Weekly som rapporterar att den kan laddas ner från Hugging Face.

Utgåvan riktar sig mot ett problem som är bekant för planetforskare: för mycket data, för få timmar på dygnet. I decennier har sensorer och instrument kontinuerligt observerat månen och genererat petabyte med information. För att studera ytan har forskare varit tvungna att sålla igenom kartor och bilder för hand eller förlita sig på lågupplösta, uppgiftsspecifika maskininlärningsmodeller – tillvägagångssätt som IBM beskriver som beräkningsintensiva och ofta saknar den noggrannhet som behövs för att identifiera och analysera geografiska egenskaper. For more context on this story, see our ongoing latest AI developments.

Hitta is, kratrar och forntida vulkaner

Modellen är tränad för att visa dolda relationer över många olika typer och upplösningar av måndata, och IBMs tillkännagivande beskriver tre flaggskeppsapplikationer.

Möjliga isavlagringar. Permanent skuggade områden nära månens poler är bland de svåraste platserna på månen att observera, men ändå kan de hålla is under ytan – en resurs som anses nödvändig för en framtida månbas och för att producera raketbränsle för uppdrag till Mars. I en teknisk artikel författad av NASA-IBM-teamet minskade modellen felet (RMSE) vid identifiering av områden med hög potential för månens is med upp till 22 procent jämfört med den allmänt använda SwinV2-B (ImageNet) visionmodellen. Kraterdetektering. Kratrar avslöjar ledtrådar om terrängernas ålder, månens geologi och den kemiska sammansättningen av det tidiga månens inre, och kartläggningen av dem hjälper NASA att välja säkra landningsplatser och undvika faror som branta sluttningar och stenblock. Modellen kan identifiera och klassificera kratrar i mätarskala upplösning med noggrannhet jämförbar med toppmoderna modeller samtidigt som den erbjuder högre effektivitet och lägre finjusteringskostnader, sa IBM. Med en upplösning på ungefär 100 meter överträffar den SwinV2-B med nästan 19 procent med bara hälften av träningsdata. Vulkanhistoria. Modellen spårar också Irregular Mare Patches – gåtfulla vulkaniska egenskaper som hjälper forskare att förstå månens termiska utveckling. Även när den matas med imperfekta etiketter, fångar den omfattningen av dessa funktioner 3 procent bättre än SwinV2-B-baslinjen, enligt tillkännagivandet.

Sammantaget säger IBM att modellen överträffar allmänt använda metoder med upp till 23 procent för att identifiera viktiga geografiska egenskaper på månens yta.

Den första Unified Open Lunar Dataset

Vid sidan av modellen byggde IBM- och NASA-forskare vad företagen beskriver som den första måndatauppsättningen med öppen källkod i sitt slag: en enhetlig samling som är klar för maskininlärning som samlar mer än 30 rumsligt anpassade lager från nio instrument över fyra uppdrag. Den kombinerar tiotusentals bilder och kartor som fångar månytans geofysiska egenskaper, och bygger på bland annat NASA:s Lunar Reconnaissance Orbiter (LRO) och GRAIL-uppdrag. Handelspublikationen Unite.ai har beskrivit den medföljande benchmarkdatauppsättningen som SomBench.

Datauppsättningen har lika stor betydelse som modellen. Hittills, noterade IBM, har ingen allmänt tillgänglig datauppsättning fört månens multimodala observationer med flera upplösningar in i ett gemensamt ramverk som lämpar sig för modern maskininlärning - vilket innebär att alla forskargrupper som vill tillämpa djupinlärning på månvetenskap först ställdes inför månader av datateknik.

Vad NASA och IBM säger

"NASA har ägnat decennier åt att bygga ett extraordinärt vetenskapligt register över månen, men att samla in data är bara en del av jobbet", säger Kevin Murphy, chief science data officer och tillförordnad chief data och AI officer vid NASAs högkvarter. "Vi måste också göra data lättare för forskare att utforska och använda. NASA-IBM Lunar Foundation Model visar vad som är möjligt när vi tar med AI till NASA:s petabyte av vetenskaplig data."

"Att avslöja månens mysterier kräver en förmåga att lära av en extraordinär mängd vetenskapliga data", säger Juan Bernabe-Moreno, chef för IBM Research Europe, Storbritannien och Irland. "NASA-IBM Lunar Foundation Model ger forskare en grund för att utforska månen i skala, koppla samman observationer över instrument, avslöja mönster som är svåra att se isolerat och tillhandahålla en öppen plattform som det globala forskarsamhället kan bygga på."

Varför öppen källkod är viktig här

Inramningen med öppen källkod är avsiktlig. Genom att släppa vikter offentligt bjuder NASA och IBM in laboratorier, universitet och rymdorganisationer över hela världen att finjustera modellen för sina egna frågor – från val av landningsplats för besättningsuppdrag till grundläggande studier av hur månens yta utvecklades. Lägre finjusteringskostnader, sa IBM, gör det praktiskt även för små team.

Med flera rymdprogram som arbetar mot en varaktig mänsklig närvaro på månen, är resurserna som står på spel betydande: vattenis kräver syre att andas och väte-syre drivmedel för att tanka raketer för resan till Mars. Att kartlägga var den isen sitter och var ytan är säker att landa är grundarbete - och det är precis den typ av mönsterigenkänningsproblem som grundmodeller har visat sig vara bra på.

Utgivningen signalerar också en bredare trend inom AI för vetenskap: snarare än att jaga chatbots, riktar offentliga forskningsinstitutioner alltmer grundmodelltekniker mot berget av oanalyserade vetenskapliga data som deras instrument har samlat på sig. Månen, visar det sig, är ett bra ställe att börja.

---

Stay Ahead of AI

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

Read more AI news →