NASA та IBM створили ШІ для Місяця: модель шукає лід і виявляє кратери
NASA та IBM представили відкриту модель штучного інтелекту для аналізу місячної поверхні. Вона може допомагати вченим знаходити ділянки, де потенційно є лід, а також виявляти й класифікувати кратери, пише Engadget.
Модель допомагає аналізувати місячну поверхню
Модель отримала назву NASA-IBM Lunar Foundation Model. Її можна завантажити з платформи Hugging Face та використовувати для різних завдань аналізу даних про Місяць.
Підписуйтеся на наші соцмережі
Під час тестування NASA та IBM порівняли її результати з картою ділянок, де може бути місячний лід. Для цього використовували дані про рельєф, температуру та інші характеристики поверхні. Також модель порівняли з SwinV2-B — системою комп'ютерного зору, яку використовують як базову модель для аналізу зображень.
NASA та IBM повідомили, що їхня модель зменшила кількість помилок під час пошуку ділянок із потенційним льодом на 23%. Під час виявлення та класифікації кратерів вона перевершила SwinV2-B на 19%, використавши вдвічі менше навчальних даних.
Модель також протестували після того, як 5 серпня ракета SpaceX Falcon 9 врізалася в Місяць. Під час аналізу зображення вона правильно визначила місце удару як новий кратер, хоча він частково накладався на вже наявний.
Чому модель складно було навчити
Розробникам довелося враховувати особливості місячних зображень. На Місяці немає атмосфери, яка на Землі розсіює сонячне світло й частково освітлює затінені ділянки. Через це:
- місячні тіні значно темніші,
- вигляд кратерів може сильно змінюватися залежно від положення Сонця під час зйомки.
Традиційний підхід до навчання моделей комп'ютерного зору також виявився неможливим. Зазвичай модель навчають відновлювати частину зображення, яку штучно приховали. Однак на місячній поверхні багато кратерів мають схожий вигляд, тому система могла неправильно відновлювати відсутні ділянки.
У IBM вирішили розділити поверхню Місяця на окремі ділянки — «клини», подібні до частин апельсина. Навчальні та тестові ділянки повністю розділили, щоб модель могла вчитися на більшій кількості послідовних даних і водночас перевірятися на територіях, яких не бачила під час навчання.