IBM 與 NASA 聯合發布了一款用於分析月球觀測資料的開源AI基礎模型「NASA-IBM Lunar Foundation Model」。這款模型將冰層分布預測、隕石坑辨識與火山活動痕跡分析整合於同一套系統中，相較於過去的方法，在精度與效率上都有所提升。作為著眼於未來載人登月探測的資料基礎建設，預期將在研究社群中獲得廣泛應用。
※縮圖為AI生成之示意圖。
長期仰賴人工分析的月球資料
月球表面看似靜止，實際上在漫長的時間裡經歷了隕石坑形成、冰層堆積以及火山活動等持續變化。NASA的探測器多年來持續透過感測器觀測月球，累積了龐大的資料量。但過去研究人員要嘛只能以人工方式檢視地圖與影像，要嘛仰賴針對單一用途設計的小型機器學習模型。由於過去並不存在能統一處理不同解析度、不同類型資料的模型，研究人員容易遺漏地形特徵，分析過程也往往需要耗費大量運算資源與時間。
將9種觀測設備的資料整合為一體
月球資料過去分別由不同任務蒐集，包括NASA的月球勘測軌道飛行器(LRO)、重力探測任務GRAIL，以及日本宇宙航空研究開發機構(JAXA)的月球探測器「輝夜姬(SELENE/Kaguya)」。此次發布的模型將來自這4項任務、9種觀測設備的30多層資料整合為一個統一的資料集，可在同一框架下處理。IBM與NASA將這款新模型定位為過去針對地球觀測、氣象與太陽物理領域發布的開源基礎模型系列「Prithvi」的延伸。該系列先前發布的模型已被用於評估洪水災情等實際場景。模型權重與資料集皆以開源形式發布，外部研究人員可自由使用並在此基礎上進行改良。
從冰層偵測到隕石坑辨識的精度驗證
在性能方面，針對陽光無法照射的永久陰影區域內冰層存在情況的預測，這款模型相較於過去的方法，將誤差降低了最多22%。月球上的冰是水與氧的潛在來源，對於未來建設月球基地以及生產火箭燃料而言是重要資源。在隕石坑辨識方面，即便訓練資料量減半，這款模型的精度也比過去的模型最高提升了19%，有望協助確定安全的降落地點。在辨識與過去火山活動相關的特殊地形方面，即使使用的是不完美的標註資料，這款模型的精度也比過去的模型提高了約3%。NASA首席科學資料官Kevin Murphy表示，蒐集資料只是工作的一部分，讓科學家更容易探索並運用這些資料同樣重要，這也體現了希望藉助AI，將長期累積的龐大觀測資料轉化為新發現的目標。
總結
IBM與NASA發布了一款可同時分析月球冰層、隕石坑與火山地形的開源AI基礎模型。透過整合來自多種觀測設備的資料，這款模型在使用更少訓練資料的情況下，實現了比過去方法更高的精度。作為著眼於未來載人登月探測的資料基礎建設，預期將在整個研究社群中獲得廣泛應用。
