# ناسا و IBM مدل متن‌باز ماه را با داده‌های ۱۷ ساله منتشر کردند

> مدل بنیادی ماه ناسا و IBM که اکنون در Hugging Face در دسترس است، با استفاده از نزدیک به ۲ میلیون قطعه تصویر ماه، پیش‌بینی ذخایر یخ و دهانه‌ها را بهبود می‌دهد.

Oossa · 2026-10-04 · https://oossa.com/fa/nasa-and-ibm-release-open-source-lunar-model-built-on-17-years-of-orbiter-data

ناسا و پژوهشگاه IBM مدل هوش مصنوعی تازه‌ای برای ماه را در دسترس عموم قرار داده‌اند. مدل بنیادی ماه ناسا و IBM متن‌باز است و می‌توان آن را از Hugging Face دریافت کرد؛ کد آن نیز در GitHub قرار دارد. این مدل با ۱۷ سال داده‌های مدارگرد شناسایی ماه و مأموریت‌های دیگر آموزش دیده و این آرشیو را به ابزاری تبدیل کرده است که دانشمندان می‌توانند با تنها چند نمونه برچسب‌گذاری‌شده، آن را برای کارهای خود تنظیم کنند.

## مدل چه کارهایی می‌تواند انجام دهد؟

این مدل می‌تواند هم‌زمان با تصاویر وضوح‌بالا (حدود ۱ متر به‌ازای هر پیکسل) و تصاویر کم‌وضوح‌تر (۱۰۰ متر به‌ازای هر پیکسل) کار کند. همچنین زاویه‌های نور و موقعیت خورشید را به‌عنوان ورودی‌های مشخص دریافت می‌کند؛ قابلیتی که به آن کمک می‌کند عوارض واقعی سطح را از سایه‌ها تشخیص دهد. در آزمایش‌ها، خطای پیش‌بینی یخ در قطب‌ها در مقایسه با بهترین مدل پایه تا ۲۲٪ کاهش یافت. دقت شناسایی دهانه‌ها در وضوح پایین نیز حدود ۱۹٪ بیشتر بود، با اینکه مدل فقط از نیمی از داده‌های برچسب‌گذاری‌شده استفاده کرد.

## چگونه ساخته شد؟

پژوهشگران مجموعه‌داده‌ای به نام SomBench گردآوری کردند که بزرگ‌ترین مجموعه چندوجهی هم‌ثبت‌شده از داده‌های ماه تا امروز است. این مجموعه نزدیک به ۲ میلیون «بسته کاشی» از ۱۱ نوع داده را در بر می‌گیرد و شامل بیش از ۳۰ لایه هم‌تراز از ۹ ابزار در چهار مأموریت است. مدل از ابتدا با روشی به نام FlexiViT آموزش داده شد؛ این روش به یک مدل امکان می‌دهد بدون آموزش دوباره، با اندازه‌های متفاوت قطعات تصویر کار کند.

## حقایق

- این مدل با نزدیک به ۲ میلیون بسته کاشی از ۱۷ سال مشاهدات مدارگرد شناسایی ماه آموزش دیده است.
- حدود ۱ میلیون کاشی، تصویرهای NAC با وضوح‌بالا (حدود ۱ متر به‌ازای هر پیکسل) هستند؛ حدود ۹۶۴٬۰۰۰ کاشی نیز تصویرهای چندطیفی دوربین Wide Angle با وضوح ۱۰۰ متر به‌ازای هر پیکسل‌اند.
- خطای پیش‌بینی ذخایر یخ قطبی در مقایسه با مدل پایه SwinV2‑B تا ۲۲٪ کاهش یافت.
- دقت شناسایی دهانه‌ها در وضوح پایین نزدیک به ۱۹٪ افزایش یافت، در حالی که فقط از نیمی از داده‌های برچسب‌گذاری‌شده استفاده شد.
- مدل و مجموعه‌داده‌های آن در Hugging Face منتشر شده‌اند؛ کد در GitHub قرار دارد و در جعبه‌ابزار TerraTorch ادغام شده است.

## چرا مهم است

این مدل آماده و متن‌باز به دانشمندان علوم سیاره‌ای کمک می‌کند با نمونه‌های برچسب‌گذاری‌شده دستی کمتر، یخ و دهانه‌ها را شناسایی کنند و پژوهش درباره منابع ماه را سرعت ببخشند. برای کسانی که مأموریت‌های آینده به ماه را دنبال می‌کنند، نقشه‌های دقیق‌تر یخ می‌توانند در انتخاب محل فرود یا استخراج آب برای سوخت موشک مؤثر باشند. بااین‌حال، مدل جایگزین اندازه‌گیری مستقیم نیست و مختصات جغرافیایی آن همچنان ممکن است ده‌ها درجه خطا داشته باشد.

## منابع و ارجاع‌ها

1. [NASA and IBM's open source lunar model turns 17 years of orbiter data into a foundation for lunar science](https://the-decoder.com/nasa-and-ibms-open-source-lunar-model-turns-17-years-of-orbiter-data-into-a-foundation-for-lunar-science/) – The Decoder, 2026-10-04

آخرین به‌روزرسانی: 2026-10-04