NASA и IBM выпустили открытую модель для поиска льда на Луне
Новая открытая модель Lunar Foundation Model на 22% точнее предсказывает залежи водяного льда в полярных регионах Луны, используя данные за 17 лет.
NASA и IBM Research создали открытую фундаментальную модель Lunar Foundation Model. Ее цель - анализ данных дистанционного зондирования для поиска и прогнозирования залежей водяного льда в постоянно затененных областях лунных полюсов. Модель повысила точность прогнозов: ошибка в определении ледяных отложений сократилась на 22% по сравнению с лучшей из предыдущих моделей. Это критически важно для пилотируемых миссий, поскольку лед рассматривается как ключевой ресурс для обеспечения водой, кислородом и топливом.
Обучение модели проводилось на массиве данных, собранных за 17 лет работы лунного орбитального аппарата Lunar Reconnaissance Orbiter (LRO). Было обработано 1047 тайл-бандлов - наборов данных, объединяющих разные типы измерений для отдельных участков поверхности. Каждый такой бандл содержит 10 различных каналов данных. Обучение провели на суперкомпьютере IBM, что позволило эффективно работать с мультимодальной информацией: изображениями, данными об альбедо, высотах и температуре. Модель имеет открытый исходный код, что позволит научному сообществу дорабатывать ее и адаптировать для решения других задач планетарной науки.
Создание Lunar Foundation Model меняет подход к анализу космических данных. Вместо узкоспециализированных алгоритмов используется единая модель, способная находить сложные паттерны в разнородных данных. Это не только точнее определяет лед, но и закладывает основу для других открытий. Модель может помочь в идентификации геологических образований, анализе состава грунта и планировании безопасных посадочных площадок. Ее открытый характер стимулирует коллаборацию, превращая сырые данные за 17 лет в структурированное знание.
Для индустрии ИИ этот проект - пример применения машинного обучения в условиях с ограниченными данными. Он показывает, как фундаментальные модели, ставшие mainstream в NLP и компьютерном зрении, могут изменить научные дисциплины. Улучшение точности на 22% подтверждает эффективность подхода. Для ученых, инженеров и планировщиков миссий это означает переход к более надежным, основанным на данных инструментам. Точная карта ресурсов снижает риски экспедиций в рамках программы Artemis и помогает готовить устойчивое присутствие человека на Луне. Ожидается, что к 2026 году модель будет интегрирована в планирование лунных миссий.
Развитие таких моделей ведет к созданию семейства "космических фундаментальных моделей" для разных планет и спутников. Опыт работы с лунными данными объемом 1047 тайл-бандлов можно применить к данным с Марса, астероидов или спутников Юпитера. Это открывает новую эру в планетологии, где ИИ становится основным инструментом, автоматизируя анализ и находя сигналы, которые могли ускользнуть от человека. Проект NASA и IBM - конкретный шаг к системному использованию ИИ для исследования Солнечной системы, демонстрирующий потенциал обработки 17-летнего архива данных с помощью современных вычислительных методов.
