NASA и IBM разработали нейросеть Lunar Foundation Model для детального анализа снимков Луны

За 17 лет непрерывной работы на окололунной орбите космический аппарат NASA Lunar Reconnaissance Orbiter (LRO) собрал колоссальный массив фотоматериалов и научных данных о поверхности естественного спутника Земли. На полученных снимках запечатлены мельчайшие детали лунного рельефа: от древних кратеров и лавовых равнин до развалов валунов, хребтов и дна навечно затененных полярных кратеров. За долгие годы исследовательской деятельности объём накопленной информации стал настолько гигантским, что ученые физически не способны изучить и каталогизировать его вручную.

Чтобы решить эту проблему и кардинально ускорить научные изыскания, специалисты NASA объединили усилия с технологическим гигантом IBM. Результатом их совместной работы стала базовая модель искусственного интеллекта — NASA-IBM Lunar Foundation Model. Этот нейросетевой инструмент способен оперативно сканировать огромные массивы лунных изображений и пространственных измерений, открывая перед исследователями совершенно новые возможности для анализа рельефа и поиска ценных ресурсов.

Обучение модели: 17 лет наблюдений орбитального аппарата LRO

Автоматический зонд Lunar Reconnaissance Orbiter вышел на орбиту Луны ещё в 2009 году. Оснащенный комплексом высокоточных приборов, аппарат наблюдает за лунным рельефом с четкостью, которая была недоступна ни одной из прошлых космических миссий. На многих участках детализация снимков LRO достигает метрового масштаба на пиксель, что позволяет различать мелкие кратеры, отдельные камни, обнажения коренных пород и незначительные перепады высот.

Для обучения модели NASA-IBM исследователи подготовили огромный датасет, состоящий примерно из двух миллионов фрагментов (тайлов) изображений. Более одного миллиона тайлов составили высокодетализированные снимки узкоугольной камеры высокого разрешения с масштабом около одного метра на пиксель. Ещё около 964 тысяч фрагментов были получены из мультиспектральных данных с разрешением порядка 100 метров на пиксель.

Главный специалист NASA по научным данным и исполняющий обязанности руководителя по ИИ Кевин Мерфи отметил, что за последние десятилетия агентство сформировало колоссальный научный архив по Луне, однако сбор сведений — это лишь первая часть задачи. Настоящий вызов заключается в том, чтобы сделать эти петабайты информации максимально удобными и доступными для практического анализа научным сообществом. Созданная совместно с IBM базовая модель показывает, каких результатов можно достичь при внедрении современных алгоритмов машинного обучения в работу с космическими архивами.

Помимо фотографических данных LRO, разработчики интегрировали в нейросетевую модель измерения других важных космических аппаратов: американских зондов GRAIL и Lunar Prospector, а также японского аппарата SELENE (Kaguya). В результате получился комплексный датасет, объединяющий свыше 30 пространственно сопоставленных слоев данных от девяти приборов в рамках четырех независимых лунных миссий.

Автоматический поиск и картографирование ударных кратеров

Ударные кратеры представляют собой важнейшие объекты для изучения геологии Луны. Каждый кратер фиксирует факт древнего столкновения космического тела с поверхностью, а распределение и плотность кратерных полей позволяют астрономам точнее рассчитывать возраст различных лунных регионов.

На текущий момент ученые вручную и полуавтоматически каталогизировали более двух миллионов крупных кратеров. Тем не менее миллионы более мелких образований до сих пор остаются некартографированными. Точные детализированные карты рельефа необходимы для безопасного планирования будущих автоматических и пилотируемых миссий, а также для выбора оптимальных зон посадки исследовательских модулей.

Модель Lunar Foundation Model способна быстро выполнять поиск кратеров по обширным площадям космической съемки. Вместо того чтобы начинать работу с пустой карты, исследователи получают готовые результаты автоматического распознавания, которые остаётся лишь проверить и подтвердить.

Для проверки эффективности системы NASA провело интересный эксперимент. Некоторое время назад в лунную поверхность неподалеку от кратера Эйнштейн врезалась отработанная ступень ракеты SpaceX, образовав свежий ударный кратер. Зонд LRO зафиксировал этот район до и после падения. Снимки, сделанные после удара, намеренно не включали в первоначальный обучающий набор данных. После дополнительной точной настройки (fine-tuning) нейросеть успешно идентифицировала вновь появившийся кратер, попутно выделив и давно существующие вокруг него древние кратерные структуры.

Обнаружение следов молодого вулканизма и залежей лунного льда

Помимо кратеров, лунный рельеф хранит доказательства вулканического прошлого спутника. Среди них встречаются небольшие вулканические структуры, которые выглядят существенно моложе основных лавовых морей. Их геологический возраст вызывает немало вопросов о том, как долго внутри Луны сохранялась вулканическая активность.

Поиск таких редких объектов — ещё одна задача, где применение искусственного интеллекта экономит сотни часов работы. Используя уже известные геологам объекты, ученые могут обучить модель распознавать аналогичные структуры на других участках Луны. Затем алгоритм самостоятельно анализирует гигабайты снимков и выдает список наиболее вероятных кандидатов.

Не менее важной задачей является поиск залежей водяного льда. На полюсах Луны существуют так называемые постоянно затенённые регионы — дно глубоких кратеров, куда никогда не проникает солнечный свет. В этих точках царит экстремальный холод, благодаря чему водяной лед способен сохраняться миллиардами лет. Полярный лед рассматривается как ключевой ресурс для будущих обитаемых лунных баз.

Модель от NASA и IBM помогает ускорить и эти поиски. Она объединяет различные типы наблюдений (включая данные о состоянии поверхности и подповерхностных слоев), вычисляя перспективность районов с точки зрения наличия льда (ice prospectivity). В ходе тестирования нейросеть отлично сохранила мелкие детали на картах перспективности залежей водяного льда (в частности, в районе горы Мутон у южного полюса), превзойдя по точности известную архитектуру ConvNeXt.

В своей практике работы с нейросетями и обработкой изображений я неоднократно замечал, как мультимодальные базовые модели меняют подход к анализу визуального контента. Переход от ручного разбора снимков к автоматической обработке петабайтных архивов с помощью ИИ membuka абсолютно новые горизонты для астрофотографии, планетологии и будущих космических миссий.

Источник: www.diyphotography.net