NASA 和 IBM 发布开源 AI 基础模型来绘制月球地图

NASA 和 IBM 开源了一个月球基础模型，该模型可以从数十年的月球数据中发现冰、陨石坑和火山特征，比视觉模型高出 23%。

NASA 和 IBM 周三宣布开源发布 NASA-IBM 月球基础模型，这是一个人工智能模型，旨在帮助科学家从数十年的月球观测中获取见解，这是为月球科学探索而构建的首批公开可用的基础模型之一。该模型现已上市，据《计算机周刊》报道，可以从 Hugging Face 下载该模型。

此次发布针对的是行星科学家熟悉的一个问题：数据太多，一天中的时间太少。几十年来，传感器和仪器不断观测月球，产生了数拍字节的信息。为了研究地表，科学家们必须手动筛选地图和图像，或者依赖低分辨率、特定于任务的机器学习模型——IBM 将这种方法描述为计算密集型，并且通常缺乏识别和分析地理特征所需的准确性。更多相关背景，请参阅我们的AI行业报道。

寻找冰、陨石坑和古代火山

该模型经过训练，可以揭示许多不同类型和分辨率的月球数据之间的隐藏关系，IBM 的公告概述了三个旗舰应用程序。

潜在的冰沉积。 月极附近永久阴影的区域是月球上最难观察的地方之一，但它们可能在地表以下存在冰——这种资源被认为对于未来月球基地和为火星任务生产火箭燃料至关重要。在 NASA-IBM 团队撰写的一篇技术论文中，与广泛使用的 SwinV2-B (ImageNet) 视觉模型相比，该模型在识别月球冰高潜力区域方面的误差 (RMSE) 降低了高达 22%。 陨石坑探测。 陨石坑揭示了有关地形年龄、月球地质和早期月球内部化学成分的线索，绘制它们的地图可以帮助 NASA 选择安全着陆点并避免陡坡和巨石等危险。 IBM 表示，该模型可以以米级分辨率识别和分类陨石坑，其精度可与最先进的模型相媲美，同时提供更高的效率和更低的微调成本。在大约 100 米的分辨率下，它仅使用一半的训练数据，性能就比 SwinV2-B 高出近 19%。 火山历史。 该模型还追踪不规则的海斑——神秘的火山特征，帮助科学家了解月球的热演化。根据公告，即使输入不完美的标签，它捕获这些特征的范围也比 SwinV2-B 基线好 3%。

IBM 表示，总的来说，该模型在识别月球表面关键地理特征方面比广泛使用的方法高达 23%。

第一个统一开放月球数据集

除了该模型之外，IBM 和 NASA 的科学家还构建了该公司所称的首个同类开源月球数据集：一个统一的、机器学习就绪的集合，聚合了来自四项任务的九台仪器的 30 多个空间对齐层。它结合了数万张捕捉月球表面地球物理特性的图像和地图，借鉴了 NASA 的月球勘测轨道器 (LRO) 和 GRAIL 任务等。贸易出版物 Unite.ai 将随附的基准数据集描述为 SomBench。

数据集和模型一样重要。 IBM 指出，到目前为止，还没有公开可用的数据集将月球的多模式、多分辨率观测纳入适合现代机器学习的通用框架中，这意味着任何想要将深度学习应用于月球科学的研究小组首先面临数月的数据工程。

NASA 和 IBM 的说法

“美国宇航局花了几十年的时间建立了非凡的月球科学记录，但收集数据只是工作的一部分，”美国宇航局总部首席科学数据官兼代理首席数据和人工智能官凯文·墨菲说。 “我们还必须让数据更容易被科学家探索和使用。NASA-IBM 月球基金会模型展示了当我们将 AI 引入 NASA 的 PB 级科学数据时可以实现什么。”

IBM 欧洲、英国和爱尔兰研究中心主任胡安·伯纳贝-莫雷诺 (Juan Bernabe-Moreno) 表示：“揭开月球的奥秘需要具备从大量科学数据中学习的能力。” “NASA-IBM 月球基础模型为科学家大规模探索月球提供了基础，将跨仪器的观测结果联系起来，揭示了难以孤立观察的模式，并为全球研究界提供了一个可以在此基础上构建的开放平台。”