NASA и IBM выпустили открытое мультимодальное основание для лунной науки, обученное на 17 годах наблюдений орбитального аппарата Lunar Reconnaissance Orbiter и данных еще трех миссий. Модель особенно полезна там, где ученым не хватает размеченных примеров: она помогает искать кратеры и оценивать залежи льда у полюсов.
Суть события
NASA-IBM Lunar Foundation Model — одна из первых открытых foundation-моделей для исследования Луны. В отличие от алгоритма под одну задачу, такая модель заранее учится на большом массиве неразмеченных данных, а затем адаптируется к конкретной работе по небольшому числу размеченных примеров. Проще говоря, исследователю не нужно каждый раз начинать обучение с нуля.
Команда собрала корпус SomBench: почти 2 млн связанных наборов изображений в 11 модальностях и на двух пространственных масштабах. В него вошли данные Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector и японской миссии Kaguya/SELENE. Всего объединены более 30 пространственно согласованных слоев от девяти инструментов.
Детали
Модель проверили на обнаружении кратеров, сегментации Irregular Mare Patches — молодых вулканических структур — и прогнозировании залежей льда в постоянно затененных полярных областях. Наиболее заметный результат связан со льдом: по данным IBM, ошибка прогноза снизилась максимум на 22% относительно базовой модели SwinV2-B. При обнаружении крупных кратеров модель показала почти 19% преимущество, причем эксперимент использовал только половину данных.
Для Луны особенно важна геометрия освещения. Один и тот же участок выглядит по-разному в зависимости от положения Солнца, поэтому модель получает сведения об углах освещения, положении Солнца и размере фрагмента явно, а не пытается угадать их по пикселям. FlexiViT позволяет работать с разными размерами изображения без нового обучения. Легкая настройка LoRA в большинстве проверок не уступила полной донастройке.
Контекст
Практический смысл релиза — не эффектная картинка с Луной, а более дешевый и быстрый способ проверять научные гипотезы. Для удаленных исследовательских команд и специалистов, которые строят инструменты поверх открытых данных, готовая модель снижает порог входа: можно сосредоточиться на задаче, а не на многомесячной подготовке базового обучения.
Но модель не заменяет измерительные приборы. В тестах она иногда ошибалась в абсолютных координатах на десятки градусов, а высотные структуры могла восстановить со сдвигом. Результаты на обнаружении кратеров метрового масштаба и IMP близки к сильным базовым методам, а часть контрольных экспериментов еще предстоит провести.
Что дальше
NASA и IBM опубликовали модель на Hugging Face, код — на GitHub, а интеграция с TerraTorch облегчает использование в открытом наборе инструментов. Следующий шаг для сообщества — проверить модель на новых участках и аккуратно отделить реальные улучшения от эффекта конкретного набора данных.
Для читателя, который оценивает AI-инструменты, вывод простой: открытая модель ценна не обещанием универсальной автоматизации, а сочетанием данных, воспроизводимого кода и понятных ограничений. Именно это определит, станет ли она рабочей основой для лунной науки, а не разовой демонстрацией.
Читайте также
MiniMax готовит модель с 2,7 триллиона параметров — крупнейшая open-source модель Китая
