NASA и IBM представили открытую систему искусственного интеллекта NASA-IBM Lunar Foundation Model, предназначенную для комплексного анализа поверхности Луны. Модель объединила десятилетия наблюдений с разных космических аппаратов и может искать потенциальные залежи водяного льда, обнаруживать кратеры, исследовать следы вулканической активности и помогать специалистам оценивать районы для будущих посадок и долговременной работы на спутнике Земли.

Вместе с моделью исследователи подготовили уникальный открытый набор лунных данных: более 30 пространственно совмещённых слоёв информации от девяти приборов, работавших в рамках четырёх космических миссий. Первые испытания показывают, что универсальная модель в ряде задач не уступает специализированным алгоритмам, а в некоторых заметно превосходит их. Например, при поиске перспективных районов с лунным льдом ошибка снизилась на 22 %, а при распознавании кратеров на определённом масштабе преимущество достигло почти 19 %.

Один ИИ вместо множества отдельных инструментов

За десятилетия изучения Луны космические аппараты накопили огромные объёмы информации. Это не только обычные фотографии поверхности, но и температурные карты, сведения о рельефе, гравитационном поле, составе грунта и характеристиках подповерхностных областей.

Проблема заключается в огромной разнице между этими данными. Одни приборы способны различать детали размером около метра, тогда как другие изучают структуры с разрешением в десятки километров на пиксель.

Например, миссия NASA GRAIL исследовала гравитационное поле Луны примерно в масштабе 20 км на пиксель, получая информацию о её коре и внутренних структурах. Lunar Reconnaissance Orbiter, напротив, способен предоставлять данные с разрешением порядка одного метра на пиксель, позволяя рассматривать небольшие кратеры, валуны и другие детали поверхности.

NASA-IBM Lunar Foundation Model создавалась именно для совместной работы с такими разнородными источниками. Вместо отдельного алгоритма для каждой конкретной задачи исследователи получают базовую модель, которую можно дополнительно адаптировать под необходимое направление исследований.

Для обучения объединили данные четырёх лунных миссий

Одновременно с ИИ-моделью NASA и IBM сформировали открытый набор данных, подготовленный специально для машинного обучения.

Он содержит более 30 совмещённых информационных слоёв от девяти научных приборов четырёх миссий. В набор вошли десятки тысяч изображений и карт с различными геофизическими характеристиками Луны.

Среди источников присутствуют данные американских Lunar Reconnaissance Orbiter и GRAIL, а также японской миссии SELENE/Kaguya. Объединение информации с разных аппаратов позволяет модели анализировать не одну фотографию или характеристику местности, а сразу несколько связанных признаков.

Для построения системы исследователи использовали архитектурные наработки TerraMind — модели наблюдения Земли, разработанной IBM совместно с Европейским космическим агентством. Она изначально рассчитана на работу с информацией разных типов и разрешений.

ИИ поможет искать лёд в самых тёмных кратерах

Одно из наиболее перспективных применений новой модели — поиск водяного льда в полярных областях Луны.

Некоторые кратеры возле полюсов практически никогда не освещаются Солнцем. Температура внутри таких постоянно затенённых областей может опускаться примерно до −246 °C, благодаря чему лёд способен сохраняться там очень долго. Но по той же причине непосредственно исследовать эти участки чрезвычайно сложно.

Новая модель сопоставляет несколько типов информации, включая температуру, рельеф, наклон поверхности, её ориентацию и предполагаемую глубину стабильного залегания льда.

В тестах NASA-IBM Lunar Foundation Model удалось снизить среднеквадратичную ошибку при определении перспективных районов с лунным льдом до 22 % относительно модели SwinV2-B, использованной исследователями для сравнения.

Водяной лёд нужен не только для питья

Поиск воды имеет для будущего освоения Луны гораздо большее значение, чем обеспечение астронавтов питьевой водой.

Из воды можно получать кислород, а водород и кислород потенциально использовать при производстве ракетного топлива. В долгосрочной перспективе добыча ресурсов непосредственно на Луне способна уменьшить объём грузов, которые необходимо доставлять с Земли.

Именно поэтому залежи льда рассматриваются как один из ключевых факторов при выборе районов для будущей инфраструктуры.

Интерес к этому ресурсу резко вырос после обнаружений последних десятилетий. В 2008 году радар NASA на индийском аппарате Chandrayaan-1 выявил лёд примерно в 40 небольших кратерах возле северного полюса. Тогда NASA оценило возможные запасы воды примерно в 600 млн метрических тонн. Последующие исследования обнаружили воду и в других формах.

Нейросеть научили находить кратеры

Вторая важная задача — автоматическое картографирование лунных кратеров.

Они представляют ценность сразу по нескольким причинам. Количество и характеристики кратеров помогают оценивать возраст различных участков поверхности и восстанавливать геологическую историю спутника. Для будущих экспедиций детальные карты также необходимы при выборе безопасных мест посадки и размещении инфраструктуры.

Крупные образования давно нанесены на карты, однако множество небольших кратеров всё ещё предстоит систематизировать.

При разрешении около одного метра NASA-IBM Lunar Foundation Model показала сопоставимую со специализированными современными моделями точность. А при масштабе около 100 метров на пиксель она превзошла SwinV2-B почти на 19 %, использовав при этом вдвое меньше обучающих данных.

Таким образом, преимущество универсальной модели заключается не только в качестве распознавания, но и в возможности быстрее адаптировать её к новым научным задачам.

Вулканическое прошлое Луны тоже заинтересовало ИИ

Третьим приоритетным направлением стало изучение необычных вулканических образований — Irregular Mare Patches.

Они представляют особый интерес для планетологов, поскольку могут помочь уточнить, насколько долго после формирования Луны на ней сохранялась вулканическая активность.

Долгое время считалось, что активный вулканизм в основном завершился около миллиарда лет назад. Однако некоторые обнаруженные образования могут оказаться значительно моложе, и их возраст до сих пор является предметом научных дискуссий.

При определении границ таких объектов новая модель примерно на 3 % превзошла специализированную SwinV2-B, одновременно предлагая более универсальную основу и меньшие затраты на последующую адаптацию.

Искусственный интеллект поможет разобраться со сложным освещением

Даже обычное фотографирование Луны создаёт проблемы, которых практически нет при наблюдении Земли.

Лунные сутки длятся приблизительно 29,5 земных суток, поэтому продолжительные периоды освещения сменяются столь же долгой темнотой. Практически отсутствующая атмосфера не рассеивает солнечный свет так, как земная.

В результате возникают крайне резкие перепады между ярко освещёнными и затенёнными областями. Особенно сложная ситуация наблюдается возле полюсов, где Солнце располагается низко над горизонтом, а длинные тени способны скрывать элементы рельефа.

Мультимодальная модель может частично компенсировать эту проблему, поскольку анализирует не только видимое изображение, но и другие характеристики территории.

Для будущих астронавтов это особенно важно: область, которая выглядит безопасной на одном снимке, может содержать плохо различимые валуны, крутые склоны или небольшие кратеры.

Для адаптации модели достаточно менять небольшую часть параметров

Интересна и техническая сторона проекта. При подготовке NASA-IBM Lunar Foundation Model к конкретным задачам исследователи применяли технологию LoRA — Low-Rank Adaptation.

Она позволяет не переобучать всю большую нейросеть целиком. По данным IBM, при такой настройке около 90 % весов базовой модели оставались неизменными.

Подход делает дальнейшую специализацию модели значительно дешевле с вычислительной точки зрения. Исследовательская группа может взять готовую основу и адаптировать её, например, под определённый тип геологических структур, вместо создания новой нейросети с нуля.

Именно эта универсальность является одной из главных особенностей foundation-моделей.

Луна стала новым направлением семейства Prithvi

Лунная нейросеть продолжает многолетнее сотрудничество NASA и IBM в области открытых научных ИИ-систем.

Она присоединяется к семейству фундаментальных моделей Prithvi, предназначенных для обработки научных данных. В него уже входят решения для анализа Земли, погоды и гелиофизических процессов. Теперь аналогичный подход распространяется и на Луну.

Главная идея заключается в отказе от необходимости создавать отдельную нейросеть для каждого научного вопроса. Вместо этого формируется универсальная основа, которую исследователи могут адаптировать к своим задачам.

Причём разработка доступна не только специалистам NASA или IBM. Модель и подготовленный набор данных опубликованы в открытом доступе, поэтому использовать их смогут исследовательские коллективы по всему миру.

ИИ становится инструментом подготовки будущих лунных миссий

NASA рассматривает Луну не только как самостоятельное направление исследований, но и как площадку для подготовки более дальних пилотируемых экспедиций.

Детальные карты потенциальных ресурсов, рельефа, температурных условий и опасных участков необходимы для выбора мест посадки, прокладки маршрутов и планирования долговременной инфраструктуры.

Поэтому задача новой модели заключается не в том, чтобы самостоятельно определять, где строить лунную базу. Она должна стать инструментом, способным быстро обработать огромные массивы наблюдений и выделить наиболее интересные районы для дальнейшего изучения специалистами.

Как отмечает NASA, накопить данные — только половина задачи. Не менее важно сделать их удобными для практического научного анализа. Именно здесь фундаментальные ИИ-модели могут оказаться особенно полезными.

В перспективе подобные системы способны заметно изменить работу планетологов: вместо ручного просмотра огромного количества разрозненных карт исследователь сможет одновременно анализировать сведения от множества приборов и искать взаимосвязи, которые трудно заметить при изучении каждого источника отдельно.

NASA-IBM Lunar Foundation Model в этом смысле интересна не только как специализированный «ИИ для Луны». Проект демонстрирует более широкое направление развития научного искусственного интеллекта — создание универсальных моделей, способных превращать десятилетия накопленных космических наблюдений в единое пространство данных для новых исследований.