# NASA и IBM открыли лунную ИИ-модель на данных за 17 лет

> Модель NASA–IBM Lunar Foundation Model доступна на Hugging Face. Она использует почти 2 млн фрагментов снимков Луны, чтобы точнее находить залежи льда и кратеры.

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

NASA и IBM Research открыли доступ к новой ИИ-модели Луны. NASA–IBM Lunar Foundation Model — модель с открытым исходным кодом: её можно скачать на Hugging Face, а код размещён на GitHub. Для обучения использовали данные за 17 лет работы Lunar Reconnaissance Orbiter и других миссий. На их основе создали инструмент, который учёные могут адаптировать, имея лишь несколько размеченных примеров.

## Что умеет модель

Модель одновременно обрабатывает снимки высокого разрешения (около 1 метра на пиксель) и снимки с более низким разрешением (100 м на пиксель). Она также учитывает углы освещения и положение Солнца, что помогает отличать реальные особенности поверхности от теней. В ходе испытаний модель снизила погрешность при прогнозировании залежей полярного льда до 22 % по сравнению с лучшей базовой моделью. При обнаружении кратеров на снимках с низким разрешением она показала примерно на 19 % более высокую точность, хотя использовала лишь половину размеченных данных.

## Как создавали модель

Исследователи собрали набор данных SomBench — крупнейший на сегодня совмещённый мультимодальный массив лунных данных. В него входят почти 2 млн «наборов фрагментов» 11 типов, охватывающих более 30 совмещённых слоёв данных с девяти приборов четырёх миссий. Модель обучили с нуля методом FlexiViT, который позволяет ей работать с изображениями, разбитыми на фрагменты разного размера, без повторного обучения.

## Факты

- Модель обучили почти на 2 млн наборов фрагментов, полученных за 17 лет наблюдений Lunar Reconnaissance Orbiter.
- Около 1 млн фрагментов — это снимки NAC высокого разрешения (≈1 м/пиксель); примерно 964 000 — мультиспектральные снимки Wide Angle Camera с разрешением 100 м/пиксель.
- Погрешность прогнозирования залежей полярного льда снизилась до 22 % по сравнению с базовой моделью SwinV2-B.
- Точность обнаружения кратеров на снимках с низким разрешением выросла почти на 19 % при использовании лишь половины размеченных данных.
- Модель и наборы данных опубликованы на Hugging Face, код размещён на GitHub, а сама модель интегрирована в инструментарий TerraTorch.

## Почему это важно

Для планетологов открытая модель — готовый ИИ-инструмент, который помогает находить лёд и кратеры, используя меньше размеченных вручную примеров, и ускоряет исследования лунных ресурсов. Более точные карты льда могут помочь выбрать места посадки будущих миссий и определить, где добывать воду для ракетного топлива. Однако модель не заменяет прямые измерения: погрешность определения географических координат всё ещё может составлять десятки градусов.

## Источники и ссылки

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

Обновлено: 2026-10-04