NASA и IBM Research выпустили NASA-IBM Lunar Foundation Model, которую называют одной из первых открытых foundation-моделей для науки о Луне. Она обучена на почти 2 млн фрагментов данных за 17 лет наблюдений Lunar Reconnaissance Orbiter и других миссий. В задаче прогноза полярного льда модель снизила ошибку до 22 процентов по сравнению с базовой SwinV2-B. Выпуск важен тем, что превращает огромный архив неразмеченных данных о Луне в многоразовую основу для исследований с малым числом размеченных примеров.
Как собраны корпус данных и модель
Учебный корпус SomBench включает почти 2 млн фрагментов данных в 11 модальностях и двух пространственных масштабах. Около 1 млн изображений высокого разрешения получены Narrow Angle Camera с разрешением около 1 метра на пиксель, а чуть менее 964 000 мультиспектральных изображений — Wide Angle Camera с разрешением 100 метров на пиксель. Всего корпус объединяет более 30 совмещенных слоев данных от девяти инструментов и четырех миссий. Разделение на обучающую, проверочную и тестовую выборки сделано по зонам карты, а не случайной раздачей фрагментов, чтобы исключить утечки.
Основная часть наблюдений приходится на Lunar Reconnaissance Orbiter, объем данных которого превышает суммарный объем остальных планетных миссий NASA, по данным агентства. Коллекция дополнена данными о гравитационном поле миссии GRAIL, данными о водороде Lunar Prospector и данными о минералогии зонда JAXA Kaguya/SELENE. Архитектура основана на TerraMind, мультимодальной модели наблюдения Земли, однако исследователи обучили ее с нуля, а не донастраивали. Каждый фрагмент получает геометрию съемки как явный контекст, включая углы освещения, положение Солнца и границы фрагмента.
Прямая передача геометрии освещения решает центральную проблему лунных снимков, где внешний вид зависит от угла Солнца сильнее, чем от свойств поверхности. Модель совместно учится на изображениях высокого и грубого разрешения за один цикл обучения, объединяя мелкие детали и широкий контекст. Метод FlexiViT позволяет одной обученной модели работать с разными размерами фрагментов изображений без переобучения. Каждый слой данных имеет собственный путь обработки, тогда как базовые модели рассматривают входы как сложенные каналы. Такая схема помогла даже контрольной модели со случайной инициализацией обойти пять из семи базовых моделей в прогнозе льда.
Что это меняет для прикладных команд ИИ
Для организаций, работающих с геопространственными и научными данными, проект показывает способ сделать крупные неразмеченные архивы пригодными при ограниченном бюджете на разметку. Модель сравнялась с базовыми решениями или превзошла их в детектировании кратеров в масштабах 100 метров и 1 метра, прогнозе полярного льда и сегментации Irregular Mare Patches. Детектирование кратеров в грубом масштабе улучшено почти на 19 процентов относительно SwinV2-B при использовании лишь половины обучающих данных. Небольшие команды получают открытую отправную точку на Hugging Face, GitHub и TerraTorch, а крупные группы могут адаптировать одни веса под разные задачи.
Ограничения ясны и важны для планирования и выбора решений. Тесты генерации показали ошибки широты и долготы в десятки градусов, а формы рельефа могли получать смещенные абсолютные высоты, поэтому модель не подходит для абсолютного геодезического позиционирования. В кратерах метрового масштаба и Irregular Mare Patches результаты примерно сравнялись с сильнейшими базовыми моделями в пределах разброса между запусками. Часть тестовых наборов невелика, а контролируемые эксперименты с оценкой вклада каждого новшества еще предстоят. Заказчикам стоит уточнять, для какой задачи, разрешения и объема разметки проверен перенос.
Практичной выглядит легкая адаптация: донастройка LoRA не уступила полному обучению во всех задачах и оказалась лучше в детектировании кратеров, а полное обучение выиграло лишь на двух самых малых задачах. Работа продолжает сотрудничество NASA и IBM в области AI for Science по Space Act Agreement с начала 2022 года после модели Prithvi от августа 2023 года для картографирования наводнений и пожаров. Маркером станет использование открытых учебных наборов и бенчмарков в новых лунных исследованиях. Широкое применение подтвердит спрос на предметные foundation-модели такого типа.
