IBM 与 NASA 联合发布了一款用于分析月球观测数据的开源AI基础模型「NASA-IBM Lunar Foundation Model」。该模型将冰层分布预测、陨石坑识别与火山活动痕迹分析整合到同一个系统中，相比以往的方法在精度和效率上都有所提升。作为面向未来载人登月探测的数据基础设施，预计将在研究界得到广泛应用。
※缩略图为AI生成图像。
长期依赖人工分析的月球数据
月球表面看似静止，实际上在漫长的时间里经历了陨石坑形成、冰层堆积以及火山活动等持续变化。NASA的探测器多年来持续通过传感器观测月球，积累了庞大的数据量。但此前，研究人员要么只能靠人工查看地图和图像，要么依赖针对单一用途设计的小型机器学习模型。由于此前不存在能够统一处理不同分辨率、不同类型数据的模型，研究人员容易遗漏地形特征，分析过程也往往需要耗费大量计算资源与时间。
将9种观测设备的数据整合为一体
月球数据此前分别由不同任务收集，包括NASA的月球勘测轨道飞行器(LRO)、重力探测任务GRAIL，以及日本宇宙航空研究开发机构(JAXA)的月球探测器「辉夜姬(SELENE/Kaguya)」。此次发布的模型将来自这4项任务、9种观测设备的30多层数据整合为一个统一的数据集，可在同一框架下处理。IBM与NASA将这一新模型定位为此前面向地球观测、气象与太阳物理领域发布的开源基础模型系列「Prithvi」的延伸。该系列此前发布的模型已被用于评估洪水灾情等实际场景。模型权重与数据集均以开源形式发布，外部研究人员可自由使用并在此基础上进行改进。
从冰层探测到陨石坑识别的精度验证
在性能方面，针对阳光无法照射的永久阴影区域内冰层存在情况的预测，该模型相比以往方法将误差降低了最多22%。月球上的冰是水和氧的潜在来源，对于未来建设月球基地以及生产火箭燃料而言是重要资源。在陨石坑识别方面，即便训练数据量减半，该模型的精度也比以往模型最高提升了19%，有望帮助确定安全的着陆地点。在识别与过去火山活动相关的特殊地形方面，即使使用的是不完美的标注数据，该模型的精度也比以往模型提高了约3%。NASA首席科学数据官Kevin Murphy表示，收集数据只是工作的一部分，让科学家更容易探索和利用这些数据同样重要，这也体现了希望借助AI将长期积累的海量观测数据转化为新发现的目标。
总结
IBM与NASA发布了一款可同时分析月球冰层、陨石坑与火山地形的开源AI基础模型。通过整合来自多种观测设备的数据，该模型在使用更少训练数据的情况下实现了比以往方法更高的精度。作为面向未来载人登月探测的数据基础设施，预计将在整个研究界得到广泛应用。
