NASA та IBM представили місячний ШІ на петабайтах даних
Місячний ШІ навчили працювати з мільйонами знімків
NASA та IBM створили базову модель штучного інтелекту для аналізу поверхні Місяця. Її розробляли на масивах даних, зібраних орбітальними апаратами протягом майже двох десятиліть, щоб прискорити пошук льоду, кратерів і вулканічних структур.
Основним джерелом інформації стали петабайти даних Lunar Reconnaissance Orbiter (LRO), який досліджує Місяць уже 17 років. Загалом система опрацювала близько 2 мільйонів зображень:
- понад 1 мільйон детальних знімків із роздільною здатністю до 1 метра;
- майже 964 тисячі мультиспектральних зображень.
Для розширення навчальної бази також використали матеріали місій GRAIL, Lunar Prospector і японського апарата SELENE. Таке поєднання даних дало змогу моделі врахувати різні типи рельєфу та особливості спостережень у різних діапазонах.
Чому навчання виявилося складнішим, ніж для Землі
Місячна поверхня створює для алгоритмів особливі труднощі. Через відсутність атмосфери тіні там мають дуже різкі межі й майже не містять деталей. Водночас сонячне освітлення постійно змінюється, тому той самий кратер або схил на знімках може виглядати зовсім по-різному.
Не спрацював і поширений підхід, за якого модель намагається відновити 90% прихованого зображення, маючи лише 10% видимої частини. Орбітальні знімки Місяця містять велику кількість схожих кратерів, тому алгоритм часто не міг надійно визначити, який саме об’єкт потрібно відтворити.
Щоб уникнути такого змішування, дослідники умовно поділили Місяць на сектори — за принципом часточок апельсина. Ділянки, використані для навчання, повністю відокремили від тестових. Це дало змогу перевірити, чи справді модель розпізнає нові об’єкти, а не просто запам’ятовує знайомі ділянки.
Модель NASA-IBM відтворює карти розподілу ймовірності наявності місячного льоду (за шкалою від синього до жовтого), показані у чотирьох точках (ліворуч) поблизу полюса Місяця (фото: NASA/IBM Research)
Лід, кратери та сліди вулканічної активності
Модель розробили як універсальну основу, яку можна адаптувати під конкретне наукове завдання за допомогою відносно невеликої кількості розмічених даних. Це важливо для планетології, адже підготовка великих спеціалізованих наборів зображень потребує багато часу.
Під час тестування система показала такі результати:
- Пошук водяного льоду. Алгоритм оцінює ймовірність стабільного залягання льоду на поверхні та під нею в постійно затінених полярних районах. Кількість помилок була на 23% меншою, ніж у системи SwinV2-B від Microsoft.
- Картографування кратерів. Модель виявилася на 19% точнішою за SwinV2-B, використавши при цьому лише половину навчальних даних.
- Пошук молодих вулканічних утворень. ШІ допомагає швидше знаходити рідкісні сліди недавньої вулканічної активності. Такі дані дають змогу точніше досліджувати, як Місяць охолоджувався та змінювався протягом своєї історії.
Система також змогла розпізнати новий кратер, який утворився після падіння уламків ракети SpaceX Falcon 9 5 серпня. Алгоритм відокремив свіжий об’єкт від уже наявних структур, що особливо важливо для моніторингу змін місячного рельєфу.
На цих знімках, зроблених орбітальним апаратом Lunar Reconnaissance Orbiter, показано поверхню Місяця поблизу кратера Ейнштейна до (ліворуч) та після (праворуч) падіння корпусу ракети SpaceX (фото: NASA/IBM Research)
Елемент ширшої ШІ-ініціативи NASA
Місячна модель стала частиною спільної екосистеми NASA та IBM під назвою AI for Science. Її також інтегрували у відкритий інструментарій TerraTorch, який дає змогу дослідникам адаптувати моделі для роботи з геопросторовими даними.
До цієї екосистеми належать і моделі для інших напрямів:
- Prithvi — сімейство моделей для спостереження за стихійними лихами, станом довкілля та врожайністю на Землі;
- Surya — модель для прогнозування сонячних спалахів і явищ космічної погоди.
Отже, місячний ШІ може стати не лише інструментом для укладання детальніших карт супутника Землі, а й основою для швидшого аналізу даних майбутніх космічних місій.
