🚀 NASA и IBM представили AI-модель для изучения Луны

NASA и IBM выпустили новую AI-модель, предназначенную для лунных исследований. Модель ориентирована на анализ данных о Луне и продолжает более раннее сотрудничество двух организаций по геопространственным AI-моделям (geospatial AI foundation models). Детали архитектуры и обучающих данных в первоначальном анонсе раскрыты ограниченно.

Это не первый совместный проект NASA и IBM в области фундаментальных моделей: ранее стороны работали над геопространственными AI-инструментами для анализа данных о Земле. Новый релиз переносит тот же подход на лунную тематику, что может упростить обработку больших массивов данных о поверхности и рельефе Луны.

Пока неизвестно, какие именно наборы данных использовались при обучении и будет ли модель доступна публично. Обе организации обещают раскрыть подробности позже.

#AI #NASA #IBM #Space #FoundationModel #Tech

🌟 NASA и IBM выпустили открытую лунную фундаментальную модель

NASA и IBM Research совместно с академическими партнёрами представили NASA-IBM Lunar Foundation Model - одну из первых открытых фундаментальных моделей для лунной науки. Она превращает десятилетия наблюдений в готовую основу для машинного обучения и особенно сильна в предсказании ледяных отложений на полюсах и обнаружении кратеров.

Модель обучена с нуля на корпусе SomBench - крупнейшем мультимодальном лунном датасете на сегодня. Это почти 2 млн тайловых наборов в 11 модальностях: около 1 млн снимков высокого разрешения с Narrow Angle Camera (~1 м/пиксель) и примерно 964 тыс. мультиспектральных снимков Wide Angle Camera (100 м/пиксель). Основу составили 17 лет наблюдений Lunar Reconnaissance Orbiter, плюс данные GRAIL, Lunar Prospector и японской Kaguya/SELENE - всего более 30 слоёв с девяти приборов и четырёх миссий.

Архитектура опирается на земную модель TerraMind, но обучена заново. Геометрия съёмки (углы освещения, положение Солнца) подаётся как явный контекст, а FlexiViT позволяет адаптировать модель под разный размер патчей без переобучения. По данным IBM, ошибка предсказания льда снижена до 22% относительно лучшего бейзлайна SwinV2-B, а на грубом детектировании кратеров - почти на 19% при вдвое меньшем объёме данных. LoRA-дообучение идёт наравне с полным. Модель доступна на Hugging Face, код - на GitHub, интегрирована в TerraTorch.

🎨 qvabo.studio/tg · картинки и видео

#Tech #AI #Model #NASA #IBM #OpenCode #Space #Cosmos