IBM och NASA har släppt NASA-IBM Lunar Foundation Model som öppen källkod, en av de första offentligt tillgängliga grundmodellerna byggda för vetenskapliga studier av månen. Vikterna, en teknisk rapport och den maskininlärningsklara datamängden som den tränades på finns uppe på Hugging Face under Prithvi-familjen, som redan täcker jordobservation, väder och heliofysik. Tanken är att årtionden av måndata från flera instrument har vuxit ifrån handgranskade kartor och smala, uppgiftsspecifika modeller, och en enda förtränad stam kan anpassas till kraterkartläggning, detektering av vulkaniska egenskaper och isprospektering utan att man behöver börja om varje gång. I IBMs och NASAs egna riktmärken minskade modellen rotmedelskvadratfelet vid flaggning av sannolika isavlagringar med upp till 22 % jämfört med en SwinV2-B-baslinje.
En TerraMind-ryggrad på 30 lager från nio instrument
Modellen är byggd på en version av TerraMind, jordobservationsmodellen som IBM utvecklat tillsammans med Europeiska rymdorganisationen (ESA), vald för hur den hanterar blandade datatyper och upplösningar och lär sig korsmodala korrelationer som kan fylla i saknade eller brusiga värden. Finjustering för varje månuppgift använder lågrankade adaptrar som håller 90 % av basvikterna frysta, vilket är det som håller anpassningskostnaden låg. Träningssamlingen är den del som NASA säger inte existerade tidigare: en enhetlig, rumsligt justerad datamängd med mer än 30 lager från nio instrument över fyra uppdrag, i storleksordningen 2 miljoner bildrutor, med mer än 1 miljon 1-meters kamerabilder och närmare 964 000 multispektrala bilder med 100 meters upplösning. Källorna inkluderar bilder från NASA:s Lunar Reconnaissance Orbiter, gravitationsfältskartor från GRAIL-uppdraget med 20 kilometer per pixel, Lunar Prospector-data och kompletterande observationer från JAXAs SELENE/Kaguya. Benchmark-kollektionen, kallad SOMBench, levereras tillsammans med modellen.
Is, vulkaniska fläckar och kratrar i två skalor
Siffran 22 % kommer från isuppgiften, där modellen kombinerar multimodala observationer med flera upplösningar för att förutsäga var is kan finnas under ytan av permanent skuggade regioner, de platser där en framtida månbas skulle bryta efter vatten, syre och raketdrivmedel. För vulkanisk historia kartlägger den oregelbundna marfläckar med 3 % bättre täckning än SwinV2-B samtidigt som den tränar på ofullkomliga etiketter, vilket IBM bedömer som jämförbar noggrannhet till lägre finjusteringskostnad. Kraterdetektering delas upp efter skala: vid meterskalig upplösning matchar modellen SwinV2-B, och vid ungefär 100 meters kontextskala överträffar den den med nästan 19 % med hälften av träningsdatan. Michael Barker, NASA:s expert på måntopografi som var med och ledde projektet, sa att utdelningen ligger i egenskaper vars ålder fortfarande är omtvistad: "Åldrarna på dessa egenskaper är fortfarande en fråga om stor debatt, så ju mer vi kan förstå deras distribution och egenskaper, desto bättre chans har vi att lösa detta mysterium."
”NASA har ägnat årtionden åt att bygga upp en extraordinär vetenskaplig registrering av månen, men att samla in data är bara en del av jobbet. Vi måste också göra data enklare för forskare att utforska och använda”, säger Kevin Murphy, chef för vetenskaplig data och tillförordnad chef för data och AI vid NASA:s huvudkontor. Juan Bernabe-Moreno, chef för IBM Research Europe, Storbritannien och Irland, sa att modellen ”ger forskare en grund för att utforska månen i stor skala, kopplar samman observationer mellan instrument, avslöjar mönster som är svåra att se isolerat och ger en öppen plattform som det globala forskningssamhället kan bygga vidare på.”
Allt är nu tillgängligt under en öppen källkodslicens, och IBMs forskningsblogg går igenom de tre initiala användningsfallen från NASA mer ingående. Det är samma öppna strategi som IBM har kört på företagssidan med Granite 4.0 , här tillämpad på ett vetenskapligt område där den knappa resursen är märkt data och beräkningssystemet för att finjustera mot den, och de omedelbara konsumenterna är analys av riskanalys vid landningsplatser och resursprospektering för en hållbar månnärvaro.
Amazon