Isang bagong open-source na artificial intelligence model na sinanay sa humigit-kumulang 2 milyong lunar image tiles ang kayang magmapa ng mga crater, tumukoy ng kakaibang bulkanikong lupain at magtantya kung saan maaaring manatiling matatag ang yelo malapit sa mga polo ng Buwan, inihayag ng NASA at IBM noong Huwebes. Pinagsasama ng NASA-IBM Lunar Foundation Model ang mahigit 1 milyong high-resolution na mga imahe ng camera na may halos 964,000 multispectral na mga imahe, na nagbibigay sa mga mananaliksik ng magagamit muli na teknikal na pundasyon para sa ilang uri ng pagsusuri sa buwan sa halip na isang hiwalay na modelo para sa bawat gawain.

ng pampublikong pahayag ng NASA ang sistema bilang isa sa mga unang open-source foundation model na partikular na ginawa para sa lunar science. Ang mga bigat, downstream model, benchmark data, at code nito ay magagamit para sa panlabas na pagsubok. Mahalaga ang pagiging bukas na ito dahil ang halaga ng modelo ay nakasalalay hindi lamang sa benchmark performance na iniulat ng mga tagalikha nito, kundi pati na rin sa kung ang mga independiyenteng mananaliksik ay maaaring kopyahin ang mga resulta at iakma ang sistema nang maaasahan sa iba't ibang instrumento, kondisyon ng pag-iilaw, at mga tanong na pang-agham.

Sa mga unang pagsusuri, ang modelo ay tumugma o lumampas sa ilang malalakas na baseline sa pagmamapa ng bunganga at segmentasyon ng mga hindi regular na patch ng mare, habang nagpapakita ng mas malinaw na bentahe sa pagtantya sa katatagan ng polar ice. Sinabi ng NASA at IBM na ang pagganap ay bumuti nang hanggang 23% sa mga pangunahing gawain sa pagkilala sa ibabaw, ayon sa Reuters. Ang mga resultang iyon ay nangangako, ngunit sinusukat nito ang pagganap sa mga tinukoy na gawain sa pananaliksik, hindi isang nakumpletong desisyon sa paglapag o patunay ng mababawi na tubig.

Isang pangkalahatang modelo para sa datos ng buwan

Ang mga foundation model ay sinasanay sa malalaking dataset upang ang kanilang mga natutunang representasyon ay maiakma sa maraming gawain sa ibaba na may medyo maliit na dami ng may label na data. Sa pananaliksik sa buwan, ang pamamaraang iyon ay maaaring mabawasan ang pangangailangan para sa mga siyentipiko na magdisenyo at magsanay ng isang espesyalisadong modelo mula sa simula sa tuwing gusto nilang magbilang ng mga crater, mag-segment ng isang heolohikal na pormasyon o maghambing ng mga pagbabago sa ibabaw. Ang bagong modelo ay gumaganap bilang isang karaniwang visual na gulugod na maaaring pinuhin para sa isang partikular na problemang siyentipiko.

Ang datos ng pagsasanay ay pangunahing kinukuha mula sa Lunar Reconnaissance Orbiter, o LRO, ng NASA, na nag-aral sa Buwan simula pa noong 2009. Kasama sa rekord ng misyon ang halos pandaigdigang pagmamapa sa ibabaw kasama ang mga sukat ng temperatura, komposisyon, at radiation. Sinasabi ng NASA na ang dami ng datos ng LRO ay higit pa sa lahat ng iba pang misyon nito sa planeta, na ginagawang mahalaga ang archive ngunit mahirap suriin nang lubusan sa pamamagitan ng manu-manong pagsusuri.

Isinasama rin ng modelo ang impormasyon tungkol sa imahe at lupain mula sa Gravity Recovery and Interior Laboratory at Lunar Prospector missions ng NASA, pati na rin sa Selenological and Engineering Explorer ng Japan. Ang pagsasama-sama ng mga modalidad ay makakatulong sa sistema na makilala ang mga ugnayan na mahirap makuha mula sa iisang uri ng imahe lamang. Ang mga litratong may mataas na resolusyon ay nagpapakita ng mga pinong katangian ng ibabaw, habang ang mga multispectral na obserbasyon at mga layer ng lupain ay nagbibigay ng impormasyon tungkol sa komposisyon, elevation at illumination.

Tatlong pagsubok na may praktikal na halaga

Ang pagtukoy sa mga bunganga ang pinaka-intuitive na aplikasyon. Ginagamit ng mga siyentipiko ang bilang, laki, at distribusyon ng mga bunganga ng impact upang tantyahin ang relatibong edad ng mga ibabaw ng buwan at muling buuin ang mga bahagi ng kasaysayan ng solar system. Ang pag-automate ng pagtukoy sa malawak na mga archive ay maaaring mapabilis ang gawaing iyon at gawing mas madali ang paghahambing ng mga rehiyon nang pare-pareho, bagaman ang pagsusuri ng tao ay nananatiling mahalaga kapag ang mga anino, magkakapatong na gilid, o mababang resolution na imahe ay lumilikha ng kalabuan.

Ang pangalawang gawain ay kinabibilangan ng mga iregular na mare patch, maliliit na katangiang bulkaniko na mukhang mas bata kaysa sa karamihan ng nakapalibot na lupain. Ang pagmamapa sa mga ito ay nakakatulong sa mga mananaliksik na subukan ang mga paliwanag sa ebolusyon ng bulkan at thermal ng Buwan. Mas mabilis na maise-segment ng modelo ang mga katangiang iyon kaysa sa manu-manong paghahanap, na nagbibigay-daan sa mga siyentipiko na maglaan ng mas maraming oras sa pagbibigay-kahulugan sa kanilang distribusyon at pagpapasya kung aling mga lokasyon ang nangangailangan ng mas malapit na obserbasyon.

Ang ikatlong aplikasyon, ang posibilidad na makita ang yelo sa polar ice, ang may pinakamalinaw na kaugnayan sa operasyon. Ang mga crater na permanenteng natatakpan ng anino ay maaaring manatiling sapat na malamig upang mapanatili ang yelo sa loob ng bilyun-bilyong taon. Ipinapaliwanag ng pangkalahatang-ideya ng NASA sa tubig sa buwan na ang mga deposito ng yelo ay maaaring magbunyag kung paano nakarating at gumalaw ang tubig sa Buwan. Sa isang programa ng eksplorasyon sa hinaharap, ang naa-access na tubig ay maaari ring sumuporta sa mga suplay ng inumin, produksyon ng oxygen o propellant, ngunit tinutukoy ng mga mapa ng posibilidad na makita ang mga malamang na lokasyon sa halip na beripikahin ang dami, kadalisayan o kakayahang makuha ng isang deposito.

Pinalalawak ng bukas na pag-access ang pagsubok

Inilathala ng NASA at IBM ang koleksyon ng modelo sa Hugging Face, kabilang ang magkakahiwalay na bersyon sa ibaba ng agos para sa pagtukoy ng bunganga, posibilidad ng yelo, at pagse-segment ng iregular na mare patch. Ang paglabas ay nagbibigay sa mga unibersidad at mas maliliit na grupo ng pananaliksik ng access sa isang sistema na magiging magastos kung sasanayin nang nakapag-iisa. Lumilikha rin ito ng isang ibinahaging baseline para sa paghahambing ng mga bagong pamamaraan sa halip na pilitin ang bawat laboratoryo na bumuo ng ibang panimulang punto.

Ang kaugnay na repositoryo ng code ay nagbibigay ng mga fine-tuning at inference tool, integrasyon sa open-source na TerraTorch framework at mga configuration para sa mga downstream task. Naglabas din ang NASA ng mga machine-learning-ready dataset at mga benchmark collection. Binanggit ng repositoryo na hindi kasama ang pretraining code, isang limitasyon na kailangang isaalang-alang ng mga mananaliksik kapag sinusuri kung gaano kalawak na maaaring kopyahin ang orihinal na proseso ng pagsasanay.

Hindi awtomatikong inaalis ng mga open weight at code ang iba pang mga hadlang. Ang pagpapatakbo ng isang malaking modelo ng paningin ay nangangailangan pa rin ng mga mapagkukunan sa pag-compute, teknikal na kadalubhasaan, at maingat na paghawak ng datos. Dapat ding suriin ng mga mananaliksik kung ang mga benchmark dataset ay naglalaman ng mga geographic o sensor bias, kung ang mga imahe ng pagsasanay ay nagsasapawan sa materyal ng pagsusuri, at kung paano nagbabago ang mga error ng modelo sa mga rehiyon na tumatanggap ng labis o hindi pare-parehong pag-iilaw.

Bakit mahirap ang imahe ng buwan

Ang Buwan ay nagpapakita ng mga hindi pangkaraniwang problema sa paningin ng computer. Dahil halos walang atmospera, ang anyo ng ibabaw ay nahuhubog nang husto ng anggulo ng sikat ng araw, at malapit sa mga polo, ang parehong katangian ay maaaring magmukhang lubhang magkakaiba sa iba't ibang obserbasyon. Ang malalalim na anino ay maaaring magtago sa sahig ng bunganga, habang ang maliwanag na dalisdis ay maaaring makabawas sa nakikitang tekstura. Nagbabala ang NASA na ang pagbabago ng liwanag ay maaaring makaapekto sa kakayahang makita ng mas maliliit na bunganga kahit na ang ilalim na lupain ay hindi nagbabago.

Nagdaragdag ang resolusyon ng isa pang limitasyon. Pinagsasama ng training archive ang mga imahe mula humigit-kumulang 1 metro hanggang 100 metro bawat pixel, ibig sabihin ay maaaring ipakita ng isang data layer ang isang katangian ng boulder-scale habang ang isa naman ay kumukuha lamang ng mas malawak na heolohikal na setting nito. Dapat matutunan ng isang modelo ang mga kapaki-pakinabang na koneksyon sa mga iskala na iyon nang hindi tinatrato ang bawat pagkakaiba bilang isang pisikal na pagbabago. Samakatuwid, ang mga hula nito ay pinakamahusay na ituring bilang mga tool para sa pagbibigay-priyoridad sa pagsusuri ng eksperto, hindi pamalit sa pagkakalibrate ng instrumento o paghatol sa heolohiya.

Ang kasamang teknikal na ulat at mga benchmark ay magbibigay-daan sa mga espesyalista na siyasatin ang arkitektura, mga pagpipilian sa pagsasanay, at pagganap na partikular sa gawain. Ang pinakamahalagang susunod na ebidensya ay magmumula sa independiyenteng pagsusuri sa datos na hindi pinili ng mga developer ng modelo, kabilang ang mga obserbasyon mula sa iba pang mga misyon at mga bagong nakolektang imahe. Ang 23% na pagpapabuti sa isang benchmark ay maaaring maging makabuluhan nang hindi nagpapahiwatig ng parehong pakinabang sa bawat rehiyon ng buwan o layuning pang-agham.

Ang AI ay nagiging imprastrakturang siyentipiko

Ang modelong lunar ay bahagi ng mas malawak na pagsisikap ng NASA-IBM na bumuo ng mga magagamit muli na sistema ng AI para sa agham. Ang mga naunang modelo ng Prithvi ay tumutugon sa obserbasyon, panahon, baha, pananim at bagyo sa Daigdig, habang ang isang modelo ng solar ay binuo para sa pagtataya ng panahon sa kalawakan. Ang estratehiya ng AI ay naglalarawan sa mga sistemang ito bilang isang paraan upang makakuha ng mas maraming halaga mula sa malalaking pampublikong dataset na mas mabilis na lumalaki kaysa sa manu-manong masusuri ng mga mananaliksik.

Ang pamamaraang iyan ay maaaring magpabago sa ekonomiya ng siyentipikong software. Ang pagsasanay sa isang malawak na kapaki-pakinabang na modelo at ang pamamahagi nito nang hayagan ay nagbibigay-daan sa maraming pangkat na ibahagi ang mataas na paunang gastos, pagkatapos ay gastusin ang kanilang mga mapagkukunan sa pagpapatunay at mga espesyalisadong aplikasyon. Maaari rin nitong mapabuti ang paghahambing sa iba't ibang pag-aaral kung iuulat ng mga mananaliksik ang mga resulta laban sa parehong mga benchmark. Ang kapalit nito ay ang isang malawakang pinagtibay na base model ay maaaring magpalaganap ng mga blind spot nito sa maraming proyekto, na ginagawang mahalaga ang dokumentasyon at independiyenteng pagsubok.

Ang agarang konteksto ng misyon ay ang programang Artemis ng NASA , na nilayon upang bumuo ng karanasan para sa patuloy na paggalugad sa buwan at mga susunod na misyon sa Mars. Ang mas mahusay na mga mapa ay maaaring makatulong sa pagpapaliit ng mga kandidatong lugar ng paglapag, pagtukoy ng mga panganib sa lupain at pagbibigay-priyoridad sa mga lugar para sa direktang pagsukat ng mga mapagkukunan. Ngunit ang modelo ay hindi pumipili ng lugar ng paglapag nang mag-isa; ang mga limitasyon sa inhinyeriya, komunikasyon, pag-iilaw, mga layuning pang-agham at direktang obserbasyon ay nananatiling bahagi ng desisyong iyon.

Ang itinatatag ng paglabas

Ipinapakita ng inilabas na pahayag ng NASA-IBM na ang isang paunang-sinanay na sistema ay maaaring gumanap nang mahusay sa ilang mga gawain sa pagmamapa sa buwan at ang mga tagalikha nito ay naglalaan ng mga pangunahing asset para sa pagsusuri. Hindi nito itinatatag na ang bawat hula ay tumpak, na ang pinaghihinalaang yelo ay maaaring makuha o na ang awtomatikong pagsusuri ay maaaring pumalit sa mga siyentipiko sa planeta. Ang mga pagkakaibang iyon ay lalong mahalaga kapag ang isang resulta ng AI ay nakakaimpluwensya sa mga mamahaling misyon o pagpaplano na kritikal sa kaligtasan.

Ang susunod na yugto ay susubok kung ang modelo ay magiging isang matibay na plataporma ng pananaliksik sa halip na isang matagumpay na demonstrasyon. Ang paggamit ng mga independiyenteng pangkat, pagganap sa mga bagong datos ng misyon, malinaw na pag-uulat ng mga pagkabigo at masusukat na pagbawas sa oras ng pagsusuri ay magbibigay ng mas matibay na ebidensya ng halaga ng operasyon. Sa ngayon, ibinaba ng NASA at IBM ang teknikal na hadlang sa paglalapat ng advanced na computer vision sa Buwan at binuksan ang sistema sa komunidad ng mga siyentipiko na dapat matukoy kung gaano kalayo ang aabot ng mga bentahe nito.