NASA и IBM представили открытую модель искусственного интеллекта, обученную на миллионах снимков и карт лунной поверхности. Она может искать районы возможного залегания льда, распознавать кратеры и находить следы древней вулканической активности.
Разработка должна ускорить обработку накопленных космических данных и помочь ученым при подготовке будущих миссий. При этом AI не заменяет спутники, геологов или непосредственные исследования Луны: он определяет перспективные участки, которые затем необходимо проверять другими методами.
AI обучили на миллионах изображений Луны
Разработка получила название NASA–IBM Lunar Foundation Model. Это одна из первых открытых фундаментальных моделей, созданных специально для изучения естественного спутника Земли.
Основой для обучения стали данные Lunar Reconnaissance Orbiter — автоматической межпланетной станции NASA, работающей на лунной орбите с 2009 года. За это время аппарат практически полностью отснял поверхность Луны и сформировал один из крупнейших массивов информации среди всех планетных миссий агентства.
Как сообщает NASA, модель обучили примерно на двух миллионах фрагментов изображений:
- более миллиона снимков поверхности с разрешением около одного метра;
- почти 964 тысячи мультиспектральных изображений с разрешением около 100 метров;
- дополнительных картах рельефа и данных других космических миссий.
Кроме Lunar Reconnaissance Orbiter, использовалась информация американских аппаратов GRAIL и Lunar Prospector, а также японской станции SELENE, известной как Kaguya.
Исследователи объединили сведения, полученные разными камерами и приборами, в единую систему. Итоговый набор включает более 30 согласованных слоев данных от девяти инструментов, работавших в рамках четырех космических миссий.
Чем фундаментальная модель отличается от обычного алгоритма
Раньше для каждой научной задачи требовалось создавать отдельный алгоритм. Одна система распознавала кратеры, другая анализировала состав грунта, третья искала признаки вулканической активности.
Фундаментальную модель сначала обучают на большом массиве информации, чтобы она получила общее представление о лунной поверхности. После этого ее можно адаптировать под разные задачи с помощью сравнительно небольшого количества размеченных данных.
Примерно по такому принципу работают большие языковые модели: сначала они изучают огромный объем текстов, а затем настраиваются для программирования, анализа документов или общения с пользователями. Только система NASA и IBM вместо человеческих текстов изучала спутниковые снимки, карты рельефа и геофизические показатели Луны.
Такой подход сокращает время и вычислительные расходы. Ученым не нужно каждый раз обучать новую нейросеть с нуля — они могут взять готовую основу и доработать ее для конкретного исследования.
AI будет искать возможные запасы лунного льда
Одно из главных направлений применения модели — поиск районов, в которых может сохраняться водяной лед.
Особый интерес представляют постоянно затененные области возле полюсов Луны. Солнечный свет практически не достигает некоторых кратеров, поэтому температура внутри них остается достаточно низкой, чтобы лед мог сохраняться миллиарды лет.
Новая модель объединяет изображения поверхности, сведения о рельефе и результаты дистанционных измерений. На их основе она составляет карты вероятного расположения стабильных ледяных отложений.
В тестах система снизила ошибку при определении перспективных районов на величину до 22% по сравнению с одной из моделей, которую исследователи использовали для сопоставления результатов.
Однако это не означает, что AI самостоятельно нашел новые месторождения воды. Он оценивает вероятность присутствия льда и помогает выделить участки для дальнейшего изучения. Подтвердить наличие, глубину и объем запасов смогут только дополнительные измерения, а в идеале — работа аппаратов непосредственно на поверхности.
Почему вода на Луне так важна
Лунный лед интересует исследователей не только как источник питьевой воды для будущих экипажей.
Воду можно разделить на водород и кислород. Кислород необходим для дыхания, а оба элемента могут использоваться при производстве ракетного топлива. Если ресурсы удастся добывать непосредственно на Луне, будущим экспедициям не придется доставлять весь запас с Земли.
Каждый дополнительный килограмм груза усложняет миссию и увеличивает ее стоимость. Поэтому доступ к местным ресурсам считается одним из основных условий создания долговременной лунной инфраструктуры.
Лед также способен хранить сведения о ранней истории Солнечной системы. Его химический состав может помочь ученым понять, как вода попала на Луну и какую роль в этом процессе сыграли кометы, астероиды и солнечный ветер.
Но между обнаружением перспективного участка и промышленной добычей лежит огромная дистанция. Необходимо установить концентрацию льда, разработать оборудование для работы при экстремально низких температурах и понять, будет ли добыча экономически и технически оправданной.
Модель распознает кратеры и изменения поверхности
Другое применение нового AI — автоматическое картографирование кратеров.
Каждый кратер появляется в результате столкновения Луны с астероидом или другим космическим объектом. Их количество, размеры и расположение помогают определять возраст отдельных участков поверхности и восстанавливать историю Солнечной системы.
Кратеры также имеют практическое значение. Крупные углубления, валуны и крутые склоны могут представлять опасность для посадочных аппаратов и луноходов. Более подробные карты позволят заранее выбирать относительно безопасные маршруты и площадки.
При анализе снимков с метровым разрешением модель NASA и IBM показала результаты, сопоставимые с сильными специализированными алгоритмами. При работе с изображениями более крупного масштаба она превзошла одну из сравнительных моделей почти на 19%, использовав при этом вдвое меньше размеченных данных.
В одном из экспериментов систему проверили на снимках района кратера Эйнштейн, сделанных до и после падения ступени ракеты SpaceX. Изображение, полученное после столкновения, не использовалось во время первоначального обучения. После дополнительной настройки модель смогла выделить новый кратер и отличить его от уже существовавших объектов.
В перспективе похожие инструменты можно применять для автоматического поиска новых следов столкновений и других изменений на огромной площади лунной поверхности.
AI поможет изучать вулканическое прошлое Луны
Сегодня Луна считается геологически значительно менее активной, чем Земля. Однако в прошлом на ней происходили масштабные вулканические процессы, сформировавшие темные равнины, которые можно увидеть даже невооруженным глазом.
Ученых особенно интересуют необычные структуры, известные как irregular mare patches — небольшие неровные участки в лунных морях. Некоторые из них выглядят относительно молодыми и не укладываются в традиционные представления о сроках прекращения вулканической активности.
Их поиск вручную занимает много времени. Новая модель способна анализировать обширные территории и выделять объекты, внешне похожие на такие образования.
При тестировании AI точнее одной из базовых моделей определял границы вулканических структур. Разница составила около 3%. Цифра выглядит небольшой, но для научного картографирования даже такое улучшение может быть заметным, особенно при обработке миллионов изображений.
Модель открыли для исследователей всего мира
NASA и IBM не оставили разработку внутри собственных лабораторий. Модель опубликована на платформе Hugging Face, а ее код доступен на GitHub. Вместе с ней исследователи получили подготовленные наборы данных и инструменты для проверки результатов.
Это позволяет университетам, научным организациям и независимым командам создавать собственные приложения на основе модели, адаптировать ее под новые задачи и сравнивать эффективность разных методов.
Открытый формат особенно важен для стран и исследовательских центров, которые не располагают ресурсами для самостоятельного обучения крупной системы на миллионах спутниковых изображений.
При этом открытость не означает, что любой полученный результат автоматически можно считать научным открытием. Модели машинного обучения способны ошибаться из-за качества исходных данных, особенностей освещения, разрешения снимков или недостаточной представленности отдельных типов ландшафта.
Все выводы AI должны подтверждаться специалистами и независимыми измерениями.
NASA и IBM уже создают AI для науки
Лунная модель стала продолжением более широкой программы NASA и IBM по применению искусственного интеллекта к научным данным.
Ранее партнеры разработали семейство геопространственных моделей Prithvi. Они используются для анализа спутниковых снимков Земли и могут применяться при картографировании наводнений, прогнозировании урожайности, наблюдении за природными пожарами и изучении последствий стихийных бедствий.
Еще одна совместная разработка — модель Surya, обученная на наблюдениях за Солнцем. Она помогает исследовать солнечные вспышки и другие явления космической погоды, способные влиять на спутники, связь и энергетические системы на Земле.
Общий принцип этих проектов заключается в том, чтобы превратить огромные архивы наблюдений в удобную основу для новых исследований. Космические аппараты производят гораздо больше информации, чем ученые способны быстро обработать вручную. AI должен взять на себя первичную сортировку, поиск закономерностей и выделение наиболее интересных объектов.
Что технология изменит в освоении Луны
Новая модель не посадит космический аппарат и не построит лунную базу. Но она может сократить время между получением спутниковых данных и принятием решений.
Вместо ручного просмотра тысяч снимков исследователи смогут быстро составлять карты кратеров, искать необычные геологические структуры и определять районы, где с большей вероятностью сохранился лед. Это поможет точнее выбирать цели для орбитальных наблюдений, автоматических станций и будущих пилотируемых экспедиций.
Особенно важным может стать объединение разных видов информации. Один снимок показывает внешний вид поверхности, другой прибор — ее температурные особенности, третий дает сведения о химическом составе или рельефе. AI способен анализировать эти слои одновременно и находить взаимосвязи, которые трудно заметить при раздельном изучении.
Разработка NASA и IBM демонстрирует, что искусственный интеллект постепенно выходит за пределы чат-ботов и генераторов изображений. Одной из его главных сфер применения становится наука — от прогнозирования погоды на Земле до поиска воды на других небесных телах.
Следующим шагом станет проверка того, насколько хорошо открытая модель покажет себя в реальных научных проектах. Если исследователи смогут с ее помощью обнаружить новые геологические структуры или уточнить карты возможных запасов льда, AI станет полноценным рабочим инструментом в подготовке нового этапа освоения Луны.
