НАСА, во соработка со IBM Research и академски институции, објави отворен модел со вештачка интелигенција наменет за проучување на Месечината. Моделот е обучен главно со податоци собрани во текот на 17 години од мисијата Lunar Reconnaissance Orbiter (LRO).
Моделот NASA-IBM Lunar Foundation Model може да им помогне на научниците побрзо да ги анализираат површинските карактеристики на Месечината, вклучувајќи кратери, вулкански формации и области каде што можеби има воден мраз. Кодот е достапен на GitHub, а моделот и податоците се објавени преку платформата Hugging Face.
За неговото обучување биле употребени околу два милиони сегменти од снимки и теренски податоци. Меѓу нив има повеќе од еден милион снимки со резолуција од еден метар, како и речиси 964.000 мултиспектрални снимки со резолуција од 100 метри. Во процесот биле вклучени и податоци од мисиите GRAIL, Lunar Prospector и јапонската SELENE.
Бидејќи станува збор за претходно обучен основен модел, истражувачите можат да го приспособат за различни задачи со релативно мал број означени податоци. Тој може да се користи за автоматско откривање и мерење кратери, идентификување млади вулкански структури и процена на стабилноста на наслагите од мраз во близина на лунарните полови.
Особено важни се трајно засенчените области во близина на половите. Во нив температурите се доволно ниски за мразот да остане зачуван можеби милијарди години. Мапирањето на овие региони може да даде нови сознанија за историјата на Месечината и да помогне при планирањето идни мисии.
Моделот е корисен и за проучување на неправилните морски дамки — необични вулкански формации што изгледаат релативно млади. Нивното постоење ги доведува во прашање досегашните процени за времето кога Месечината престанала да биде геолошки активна.
Според тестирањата, NASA-IBM моделот ги достигнал или надминал резултатите на неколку напредни референтни модели. Најголема предност покажал при процената на стабилноста на поларниот мраз, додека при мапирањето кратери и вулкански формации постигнал споредливи резултати.
Покрај самиот модел, тимот објавил и податоци подготвени за машинско учење, тестови за споредба и придружен научен труд. Материјалите се интегрирани во алатката со отворен код TerraTorch, со што истражувачите од целиот свет можат да ги повторуваат анализите и да развиваат нови модели за идните лунарни мисии.
