Петабайти інформації та мільйони фотографій: NASA і IBM представили потужний штучний інтелект для дослідження Місяця.

Подолання труднощів у навчальному процесі: обсяги

Модель навчали переважно на петабайтах даних апарату Lunar Reconnaissance Orbiter (LRO), зібраних за 17 років роботи.

Загалом, штучний інтелект обробив приблизно 2 мільйони зображень, серед яких більше 1 мільйона високоякісних фотографій з роздільною здатністю 1 метр і близько 964 тисяч мультиспектральних знімків.

Крім того, були залучені дані з місій GRAIL, Lunar Prospector та японського космічного апарата SELENE.

Процес навчання системи виявився набагато більш комплексним у порівнянні з подібними моделями, що використовуються для Землі.

Внаслідок відсутності атмосфери на Місяці, тіні надзвичайно чіткі та абсолютно чорні, не містять жодних деталей. Крім того, через постійну зміну кута падіння сонячного світла, один і той же об'єкт може здаватися зовсім різним у різні моменти часу.

Звичний підхід до навчання, при якому алгоритм намагається відновити 90% зображення, спираючись лише на 10%, зазнав провалу через те, що більшість кратерів, зафіксованих з орбіти, мають схожі характеристики.

Дослідники винайшли новий підхід: вони розбили Місяць на окремі частини, керуючись принципом "поділу апельсина", і повністю ізолювали навчальні зони від тестових.

Модель, розроблена NASA і IBM, генерує карти ймовірного розподілу місячного льоду, використовуючи кольорову шкалу від синього до жовтого. Ці карти представлені у чотирьох точках (зліва) в околицях полюса Місяця (джерело: NASA/IBM Research).

Виявлення крижаних покривів, вулканічних утворень та досягнення нових висот у порівнянні з існуючими аналогами.

Універсальний характер базової моделі надає планетологам можливість просто модифікувати її для різних цілей, використовуючи при цьому обмежену кількість маркованих даних.

Основні області використання та результати випробувань:

Пошук водяного льоду: ШІ моделює стабільність льоду на поверхні та під нею в постійно затінених полярних регіонах, зменшивши кількість помилок на 23 відсотки порівняно з візуальною системою SwinV2-B від Microsoft;

Картографування кратерів: наш алгоритм показав на 19% вищу точність у порівнянні з SwinV2-B, при цьому використавши лише половину обсягу навчального набору даних.

До слова, модель успішно ідентифікувала новий кратер від падіння ракети SpaceX Falcon 9, яке сталося 5 серпня, відокремивши його від вже існуючого.

Дослідження місячного вулканізму: система прискорює пошук рідкісних молодих вулканічних утворень, що допомагає краще зрозуміти термальну еволюцію та історію охолодження Місяця.

На цих фотографіях, отриманих за допомогою орбітального апарата Lunar Reconnaissance Orbiter, зображена поверхня Місяця поблизу кратера Ейнштейна до (ліворуч) і після (праворуч) падіння ракети SpaceX (джерело: NASA/IBM Research).

Частина глобальної ШІ-стратегії NASA

Представлена місячна модель увійшла до екосистеми "AI for Science", яку розробляють NASA та IBM, та була інтегрована у відкритий інструментарій TerraTorch.

У цю ж категорію включено сімейство моделей Prithvi, які призначені для спостереження за природними катастрофами та оцінки врожайності на планеті, а також модель Surya, що використовується для передбачення сонячних спалахів і космічних погодних умов.