NASA och IBM Research har gjort en ny AI-modell för månen tillgänglig för allmänheten. NASA-IBM Lunar Foundation Model är öppen källkod och kan laddas ner från Hugging Face, medan koden finns på GitHub. Den har tränats på 17 års data från Lunar Reconnaissance Orbiter och andra uppdrag och omvandlar arkivet till ett verktyg som forskare kan anpassa med bara några få märkta exempel.
Vad modellen kan göra
Modellen kan hantera högupplösta bilder (cirka 1 meter per pixel) och bilder med grövre upplösning (100 m per pixel) samtidigt. Den använder också ljusvinklar och solens position som uttryckliga indata, vilket hjälper den att skilja verkliga ytformationer från skuggor. I tester minskade den felet i prognoser om is vid polerna med upp till 22 % jämfört med den bästa baslinjemodellen. Vid identifiering av kratrar i grövre skala var den cirka 19 % mer träffsäker, trots att den bara använde hälften så mycket märkt data.
Så byggdes modellen
Forskarna sammanställde en datamängd kallad SomBench, den hittills största samregistrerade multimodala datakorpusen för månen. Den innehåller nästan 2 miljoner ”rutpaket” med 11 olika datatyper och omfattar fler än 30 samordnade lager från nio instrument på fyra uppdrag. Modellen tränades från grunden med en teknik som kallas FlexiViT, som gör att samma modell kan hantera olika storlekar på bildutsnitt utan att tränas om.
Varför det spelar roll
För planetforskare erbjuder den öppna modellen ett färdigt AI-verktyg som kan hitta is och kratrar med färre handmärkta exempel, vilket kan påskynda forskningen om månens resurser. För alla som följer framtida månuppdrag kan bättre iskartor hjälpa till att avgöra var man ska landa eller utvinna vatten till raketbränsle. Modellen ersätter dock inte direkta mätningar; dess geografiska koordinater kan fortfarande avvika med tiotals grader.
