IBM နှင့် NASA တို့သည် NASA-IBM Lunar Foundation Model ကို open source အဖြစ် ထုတ်ပြန်ခဲ့ပြီး လ၏ သိပ္ပံနည်းကျလေ့လာမှုအတွက် တည်ဆောက်ထားသော ပထမဆုံး အများပြည်သူရရှိနိုင်သော foundation model များထဲမှ တစ်ခုဖြစ်သည်။ အလေးချိန်များ၊ နည်းပညာဆိုင်ရာ အစီရင်ခံစာနှင့် ၎င်းလေ့ကျင့်ပေးခဲ့သော machine-learning-ready dataset များကို Prithvi မိသားစုအောက်ရှိ Hugging Face တွင် ရရှိနိုင်ပြီး ဖြစ်ပြီး ကမ္ဘာမြေစောင့်ကြည့်ခြင်း၊ ရာသီဥတုနှင့် heliophysics တို့ကို လွှမ်းခြုံထားပြီးဖြစ်သည်။ အဓိကအချက်မှာ ဆယ်စုနှစ်များစွာကြာ multi-instrument လဒေတာများသည် လက်ဖြင့်စစ်ထုတ်ထားသော မြေပုံများနှင့် ကျဉ်းမြောင်းသော၊ အလုပ်တစ်ခုချင်းစီအတွက် မော်ဒယ်များကို ကျော်လွန်သွားပြီး ကြိုတင်လေ့ကျင့်ထားသော backbone တစ်ခုတည်းကို ချိုင့်မြေပုံရေးဆွဲခြင်း၊ မီးတောင်အင်္ဂါရပ်ရှာဖွေခြင်းနှင့် ရေခဲရှာဖွေခြင်းတို့ကို အကြိမ်တိုင်း ပြန်မစဘဲ လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်နိုင်သည်။ IBM နှင့် NASA ၏ကိုယ်ပိုင် benchmarks များတွင် မော်ဒယ်သည် SwinV2-B baseline နှင့် နှိုင်းယှဉ်ပါက ရေခဲသိုက်များဖြစ်နိုင်ခြေကို flagging လုပ်ရာတွင် root-mean-square အမှားကို ၂၂% အထိ လျှော့ချပေးခဲ့သည်။
တူရိယာကိုးခုမှ အလွှာ ၃၀ ပေါ်တွင် TerraMind ၏ ကျောရိုး
ဒီမော်ဒယ်ကို IBM က ဥရောပအာကာသအေဂျင်စီနဲ့အတူ တီထွင်ခဲ့တဲ့ ကမ္ဘာမြေစောင့်ကြည့်ရေးမော်ဒယ် TerraMind ရဲ့ ဗားရှင်းတစ်ခုပေါ်မှာ တည်ဆောက်ထားပြီး ရောနှောဒေတာအမျိုးအစားတွေနဲ့ resolution တွေကို ဘယ်လိုကိုင်တွယ်ဖြေရှင်းမလဲ၊ ပျောက်ဆုံးနေတဲ့ ဒါမှမဟုတ် noisy တန်ဖိုးတွေကို ဖြည့်ပေးနိုင်တဲ့ cross-modal correlations တွေကို ဘယ်လိုလေ့လာမလဲဆိုတာအတွက် ရွေးချယ်ထားပါတယ်။ လရဲ့တာဝန်တစ်ခုချင်းစီအတွက် fine-tuning မှာ base weight ရဲ့ 90% ကို အေးခဲထားပေးတဲ့ low-rank adapter တွေကို အသုံးပြုထားပြီး adaptation cost ကို နိမ့်ကျစေပါတယ်။ လေ့ကျင့်ရေး corpus ဟာ NASA က အရင်က မရှိခဲ့ဘူးလို့ ပြောတဲ့ အစိတ်အပိုင်းတစ်ခုပါ- မစ်ရှင်လေးခုမှာ တူရိယာကိုးခုကနေ layer ၃၀ ကျော်ပါဝင်တဲ့ စုစည်းထားတဲ့၊ spatially aligned dataset တစ်ခု၊ image tile ၂ သန်းကျော်၊ ၁ မီတာကင်မရာပုံ ၁ သန်းကျော်နဲ့ ၁၀၀ မီတာ resolution မှာ multispectral ပုံ ၉၆၄,၀၀၀ နီးပါး ပါဝင်ပါတယ်။ ရင်းမြစ်တွေထဲမှာ NASA ရဲ့ Lunar Reconnaissance Orbiter က ပုံရိပ်တွေ၊ pixel တစ်ခုကို ၂၀ ကီလိုမီတာနှုန်းနဲ့ GRAIL မစ်ရှင်က gravity-field map တွေ၊ Lunar Prospector data နဲ့ JAXA ရဲ့ SELENE/Kaguya ကနေ complementary observations တွေ ပါဝင်ပါတယ်။ SOMBench ဟုခေါ်သော benchmark collection ကို မော်ဒယ်နှင့်အတူ တင်ပို့ပေးပါသည်။
ရေခဲ၊ မီးတောင်အလွှာများနှင့် မီးတောင်ချိုင့်များသည် အတိုင်းအတာနှစ်ခုဖြင့်
၂၂% ကိန်းဂဏန်းသည် ရေခဲလုပ်ငန်းမှ လာခြင်းဖြစ်ပြီး၊ မော်ဒယ်သည် ထာဝရအရိပ်ရသောဒေသများ၏ မျက်နှာပြင်အောက်တွင် ရေခဲများ မည်သည့်နေရာတွင် ရှိနေနိုင်သည်ကို ခန့်မှန်းရန် multimodal၊ multi-resolution လေ့လာမှုများကို ပေါင်းစပ်ထားသည်။ အနာဂတ်လစခန်းတစ်ခုသည် ရေ၊ အောက်ဆီဂျင်နှင့် ဒုံးပျံလောင်စာများကို တူးဖော်မည့်နေရာများဖြစ်သည်။ မီးတောင်သမိုင်းအတွက်၊ ၎င်းသည် SwinV2-B ထက် ၃% ပိုကောင်းသော လွှမ်းခြုံမှုဖြင့် Irregular Mare Patches များကို မြေပုံရေးဆွဲပြီး IBM သည် fine-tuning ကုန်ကျစရိတ်နည်းပါးစွာဖြင့် နှိုင်းယှဉ်နိုင်သော တိကျမှုအဖြစ် ပုံဖော်ထားသည်။ Crater ထောက်လှမ်းခြင်းကို စကေးအလိုက် ခွဲခြားထားသည်- မီတာစကေး resolution တွင် မော်ဒယ်သည် SwinV2-B နှင့် ကိုက်ညီပြီး မီတာ ၁၀၀ ခန့် context scale တွင် လေ့ကျင့်ရေးဒေတာ၏ ထက်ဝက်ဖြင့် ၁၉% နီးပါး သာလွန်သည်။ စီမံကိန်းကို ပူးတွဲဦးဆောင်ခဲ့သော NASA လမျက်နှာပြင်ပညာရှင် Michael Barker က အကျိုးအမြတ်သည် အငြင်းပွားနေဆဲဖြစ်သော အင်္ဂါရပ်များတွင် ရှိသည်- “ဤအင်္ဂါရပ်များ၏ အသက်အရွယ်သည် အငြင်းပွားဖွယ်ရာ ကိစ္စတစ်ခုအဖြစ် ရှိနေဆဲဖြစ်သောကြောင့် ၎င်းတို့၏ ဖြန့်ဖြူးမှုနှင့် ဂုဏ်သတ္တိများကို ကျွန်ုပ်တို့ ပိုမိုနားလည်နိုင်လေ၊ ဤနက်နဲသောအရာကို ဖြေရှင်းရန် အခွင့်အလမ်း ပိုများလေဖြစ်သည်” ဟု ပြောကြားခဲ့သည်။
“NASA ဟာ လရဲ့ထူးခြားတဲ့သိပ္ပံမှတ်တမ်းတစ်ခုကို ဆယ်စုနှစ်များစွာတည်ဆောက်ခဲ့ပေမယ့် အချက်အလက်စုဆောင်းခြင်းဟာ အလုပ်ရဲ့တစ်စိတ်တစ်ပိုင်းသာဖြစ်ပါတယ်။ သိပ္ပံပညာရှင်တွေ စူးစမ်းလေ့လာပြီးအသုံးပြုနိုင်ဖို့ ဒေတာတွေကိုလည်း ပိုမိုလွယ်ကူအောင် ကျွန်တော်တို့လုပ်ဆောင်ရပါမယ်” လို့ NASA ရုံးချုပ်ရဲ့ chief science data officer နဲ့ acting chief data and AI officer ဖြစ်သူ Kevin Murphy က ပြောပါတယ်။ IBM Research Europe, UK and Ireland ရဲ့ ဒါရိုက်တာ Juan Bernabe-Moreno က ဒီမော်ဒယ်ဟာ “သိပ္ပံပညာရှင်တွေကို လကို အတိုင်းအတာတစ်ခုအထိ စူးစမ်းလေ့လာဖို့၊ တူရိယာတွေတစ်လျှောက် လေ့လာတွေ့ရှိချက်တွေကို ချိတ်ဆက်ပေးဖို့၊ သီးခြားမြင်ဖို့ခက်ခဲတဲ့ ပုံစံတွေကို ဖော်ထုတ်ပေးဖို့နဲ့ ကမ္ဘာလုံးဆိုင်ရာ သုတေသနအသိုင်းအဝိုင်း တည်ဆောက်နိုင်တဲ့ ပွင့်လင်းတဲ့ပလက်ဖောင်းတစ်ခုကို ပံ့ပိုးပေးဖို့ အခြေခံအုတ်မြစ်ချပေးပါတယ်” လို့ ပြောပါတယ်။
အရာအားလုံးကို open-source လိုင်စင်အောက်တွင် ရရှိနိုင်ပြီး IBM ၏ သုတေသနဘလော့ဂ်သည် NASA ၏ ကနဦးအသုံးပြုမှုကိစ္စရပ်သုံးခုကို ပိုမိုနက်ရှိုင်းစွာ လမ်းညွှန်ထားသည်။ ၎င်းသည် Granite 4.0 ဖြင့် IBM မှ enterprise ဘက်တွင် လုပ်ဆောင်ခဲ့သော open-weights playbook နှင့် အတူတူပင် ဖြစ်ပြီး ဤနေရာတွင် ရှားပါးသောအရင်းအမြစ်ကို data ဟု အညွှန်းတပ်ထားပြီး ၎င်းနှင့် ချိန်ညှိရန် compute ကို သိပ္ပံနယ်ပယ်တွင် အသုံးချထားပြီး တိုက်ရိုက်သုံးစွဲသူများသည် လပေါ်တွင် ရေရှည်တည်ရှိမှုအတွက် ဆင်းသက်ရာနေရာ အန္တရာယ်ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အရင်းအမြစ်ရှာဖွေမှုများကို လုပ်ဆောင်နေကြသည်။
အမေဇုံ