За десятилетия исследований Луна накопила огромный массив научных данных. Орбитальные аппараты фотографировали её поверхность, измеряли рельеф, гравитационное поле и температурные характеристики, изучали состав пород и особенности полярных областей. Теперь этот массив информации начали использовать для обучения специальной модели искусственного интеллекта, предназначенной именно для исследования Луны.
NASA и IBM представили NASA-IBM Lunar Foundation Model — открытую ИИ-модель, созданную для анализа разнообразных данных о лунной поверхности. Она способна работать с информацией, полученной разными приборами и при разных разрешениях, а затем адаптироваться к конкретным научным задачам. В числе первых направлений её применения — поиск потенциально стабильных залежей льда, обнаружение и картирование кратеров, а также изучение необычных вулканических образований.
Главная особенность проекта заключается не просто в использовании искусственного интеллекта для обработки снимков. Исследователи попытались объединить разрозненные данные о Луне в единую систему, которую можно быстро применять для разных задач. Это особенно важно для будущих исследований, поскольку объём информации о спутнике Земли продолжает расти.
Почему исследователям Луны нужен искусственный интеллект
Современное изучение Луны давно вышло за пределы анализа отдельных фотографий. Один и тот же участок поверхности может быть представлен сразу несколькими наборами данных, полученными различными инструментами. Они отличаются пространственным разрешением, типом измеряемой характеристики и условиями наблюдений.
Например, один прибор способен подробно показывать небольшие кратеры и валуны, тогда как другой предоставляет информацию о свойствах поверхности или подповерхностных структурах на значительно более крупном масштабе. Гравитационные измерения дают ещё один тип информации, который нельзя получить обычной камерой.
Человеческие исследователи могут сопоставлять такие данные, но при работе с большими территориями это становится чрезвычайно трудоёмким процессом. Особенно сложно искать небольшие объекты среди огромного количества изображений, когда требуется просмотреть практически всю поверхность Луны.
Именно здесь фундаментальная модель ИИ отличается от традиционного алгоритма, разработанного для одной конкретной задачи. Её предварительно обучают на большом массиве разнообразных данных, после чего относительно небольшого количества специализированных примеров может быть достаточно для адаптации к новой задаче.
Что такое фундаментальная модель
Фундаментальная модель — это система машинного обучения, которую сначала обучают на больших массивах данных без необходимости заранее размечать каждый объект для одной конкретной цели. После предварительного обучения такую модель можно адаптировать к различным задачам.
Для лунной науки это особенно удобно. Исследователям не обязательно создавать отдельную модель с нуля для поиска кратеров, другую для вулканических структур и третью для анализа полярного льда. Одна предварительно обученная система может служить основой для нескольких направлений.
Это не означает, что модель автоматически понимает геологию Луны так же, как учёный. Она выявляет статистические связи в данных и использует их для построения прогнозов или классификации объектов. Полученные результаты по-прежнему требуют научной проверки и интерпретации.
На каких данных обучали лунную модель
Основным источником информации стал американский Lunar Reconnaissance Orbiter — LRO, работающий на орбите Луны с 2009 года. За годы миссии аппарат собрал огромный объём изображений и других измерений, позволив получить почти непрерывное подробное представление о лунной поверхности.
Для предварительного обучения NASA-IBM Lunar Foundation Model использовали примерно 2 миллиона фрагментов изображений. В этот набор вошли более миллиона изображений высокого разрешения с масштабом около одного метра на пиксель и почти 964 тысячи мультиспектральных изображений с разрешением около 100 метров на пиксель.
Однако модель не ограничивается данными одного аппарата.
Объединение наблюдений разных миссий
В обучении также использовались изображения и данные о рельефе Луны, полученные другими миссиями. В частности, в набор вошла информация американских аппаратов GRAIL и Lunar Prospector, а также японской миссии SELENE/Kaguya.
Особое значение имеет сочетание разных типов данных. GRAIL, например, исследовал гравитационное поле Луны и позволял получать информацию о её коре и внутреннем строении на существенно более крупном масштабе. LRO, напротив, способен подробно снимать отдельные элементы поверхности.
В результате ИИ получает возможность сопоставлять данные, которые в обычной обработке рассматривались бы раздельно.
Всего созданный вместе с моделью открытый набор данных объединяет более 30 пространственно согласованных информационных слоёв, полученных девятью инструментами в рамках четырёх миссий. Такой подход позволяет рассматривать один участок Луны сразу с нескольких точек зрения.
Почему объединение данных особенно важно для Луны
Лунная поверхность значительно сложнее для автоматического анализа, чем может показаться по обычным фотографиям. На Луне практически нет атмосферы, поэтому солнечный свет не рассеивается так, как на Земле. Это создаёт резкие границы между освещёнными и затенёнными участками.
Один и тот же кратер при разных условиях освещения может выглядеть совершенно по-разному. Высокий вал способен отбрасывать длинную тень, скрывая находящиеся рядом камни или небольшие углубления. В полярных районах проблема становится ещё серьёзнее: Солнце там находится низко над горизонтом, поэтому рельеф может оставаться в глубокой тени.
Кроме того, лунная поверхность постоянно подвергается воздействию микрометеороидов, которые постепенно изменяют грунт. На изображениях могут присутствовать похожие структуры, возникшие по совершенно разным причинам.
Объединение нескольких типов наблюдений помогает уменьшить зависимость результата от одного конкретного изображения или одного условия освещения.
Лунный рельеф меняется и после получения карты
Луна не является полностью неподвижным геологическим объектом. На её поверхность продолжают падать метеороиды и более мелкие частицы, формируя новые кратеры. Поэтому сравнение изображений, полученных в разное время, может показать изменения, произошедшие между наблюдениями.
Это создаёт ещё одну потенциальную задачу для автоматизированного анализа: обнаружение новых ударных структур и других изменений поверхности.
Поиск льда в полярных областях
Одним из наиболее практически значимых направлений работы модели стал поиск участков, где лунный лёд может быть относительно стабилен.
На полюсах Луны существуют постоянно затенённые области. Некоторые из них практически не получают прямого солнечного света и могут сохранять чрезвычайно низкие температуры на протяжении очень длительных периодов.
В таких условиях водяной лёд способен сохраняться гораздо дольше, чем на освещённой поверхности. Наличие льда в полярных областях уже подтверждалось различными космическими миссиями, однако определить точное распределение и устойчивость этих запасов значительно сложнее.
Для будущих экспедиций это имеет большое значение. Вода потенциально может использоваться непосредственно для жизнеобеспечения, а после разделения на водород и кислород — как сырьё для получения ракетного топлива. Поэтому понимание того, где именно лёд может находиться и насколько стабильно он сохраняется, является важной частью изучения лунных ресурсов.
Как ИИ оценивает перспективные участки
Модель не просто ищет на фотографии белые или тёмные пятна, которые можно было бы принять за лёд. Для оценки потенциальной стабильности льда используются различные характеристики поверхности.
В частности, модель может учитывать температуру, особенности рельефа, уклон, ориентацию поверхности и глубину, на которой лёд может сохраняться. Комбинация таких данных позволяет получить карту перспективности, показывающую участки, где условия соответствуют возможности длительного сохранения льда.
При испытаниях для задачи оценки потенциально стабильного лунного льда модель уменьшила ошибку примерно на 22% по сравнению с использовавшейся для сравнения моделью SwinV2-B, обученной для аналогичной задачи.
Важно, однако, правильно понимать этот результат. Он означает улучшение качества прогноза относительно конкретного метода сравнения, а не обнаружение новых подтверждённых месторождений льда.
ИИ строит карту вероятности или перспективности, после чего полученные участки могут стать объектами дальнейшего анализа и наблюдений.
Кратеры как летопись истории Луны
Другим важным направлением стала автоматическая работа с ударными кратерами.
Кратеры имеют огромное значение для планетологии. Каждый из них является результатом столкновения Луны с другим телом — от небольших частиц до сравнительно крупных астероидов. Чем больше таких структур удаётся обнаружить и изучить, тем лучше исследователи могут реконструировать историю поверхности.
Количество кратеров используется и для относительной оценки возраста различных участков. Там, где поверхность сохранялась очень долго и практически не подвергалась обновлению, обычно накапливается больше ударных структур.
Однако такой метод требует огромного объёма ручной работы, особенно если речь идёт о небольших кратерах.
Модель способна работать на разных масштабах
NASA-IBM Lunar Foundation Model показала сопоставимую с современными специализированными моделями точность при обнаружении кратеров на разрешении около одного метра на пиксель. При более крупном масштабе, около 100 метров на пиксель, она превзошла использовавшуюся для сравнения модель почти на 19%, причём для обучения потребовалось примерно вдвое меньше размеченных данных.
Такой результат важен не столько сам по себе, сколько с точки зрения масштаба будущей работы. Если автоматизированная система способна быстро просматривать большие площади, исследователи получают возможность уделять больше времени не поиску объектов, а их геологической интерпретации.
Кроме того, модель можно применять для сравнения наблюдений, сделанных в разное время.
Поиск новых ударных кратеров
Одним из показательных тестов стало обнаружение нового кратера, возникшего после удара ракеты-носителя о лунную поверхность в районе кратера Эйнштейна.
Изображения после столкновения не использовались при предварительном обучении модели. Тем не менее после специализированной адаптации система смогла выделить новую структуру на фоне уже существующих кратеров.
Такой эксперимент показывает потенциальную возможность использовать ИИ не только для составления статической карты Луны, но и для поиска изменений между наблюдениями.
При этом автоматическое обнаружение не лишено ограничений. Например, различия в освещении одной и той же области при разных пролётах аппарата могут затруднять распознавание небольших новых объектов. Поэтому результат алгоритма нельзя автоматически считать окончательным научным каталогом.
Что модель может рассказать о вулканической истории Луны
Луна сегодня не выглядит геологически активным миром, однако в прошлом на ней происходили масштабные вулканические процессы. Огромные площади поверхности покрыты древними базальтовыми лавовыми равнинами, которые образовались в результате извержений.
Исследование вулканических структур позволяет понять, как Луна постепенно охлаждалась и когда её внутренние источники тепла перестали поддерживать значительную вулканическую активность.
Особый интерес представляют так называемые irregular mare patches — небольшие необычные участки в лунных морях, которые по внешнему виду могут быть связаны с относительно молодым вулканизмом.
Почему возраст этих структур вызывает интерес
Если некоторые такие образования действительно намного моложе основной части лунных вулканических равнин, это означает, что вулканическая история Луны могла продолжаться дольше, чем предполагалось в некоторых моделях её тепловой эволюции.
Именно поэтому важно определить местоположение и распространённость подобных объектов по всей Луне. Чем больше таких структур удастся найти и сопоставить, тем лучше исследователи смогут оценить их происхождение и возраст.
NASA-IBM Lunar Foundation Model была адаптирована для картирования irregular mare patches. В проведённых испытаниях она показала примерно на 3% лучший результат по сравнению с использовавшейся специализированной моделью при работе с неполными или несовершенными исходными метками. При этом точность оставалась сопоставимой с современными специализированными решениями, но требовала меньших затрат на адаптацию.
Это может ускорить составление более полного каталога потенциально молодых вулканических структур.
Лунная поверхность особенно сложна для автоматического анализа
Проблема исследования Луны заключается не только в количестве изображений. Сама поверхность спутника создаёт необычные условия для обработки данных.
На Земле атмосфера рассеивает солнечный свет, а облака, влага и другие факторы постепенно меняют внешний вид ландшафта. На Луне атмосферы практически нет, поэтому освещение намного жёстче. Глубокие тени соседствуют с ярко освещёнными участками, а небольшое изменение положения Солнца может сильно изменить вид одного и того же рельефа.
В полярных районах ситуация особенно сложная. Низкое положение Солнца создаёт длинные тени, которые могут скрывать небольшие кратеры, камни и неровности поверхности.
Поэтому для автоматической системы недостаточно просто научиться распознавать форму объекта. Желательно, чтобы она могла сопоставлять изображение с другими характеристиками того же участка.
Именно такой многомодальный подход является одной из основных особенностей новой модели.
Не только фотографии: модель объединяет разные характеристики Луны
Обычная фотография показывает прежде всего внешний вид поверхности. Но научная карта Луны может содержать гораздо больше информации.
Данные о рельефе помогают понять геометрию местности. Температурные измерения позволяют оценивать условия в конкретной точке. Гравитационные данные дают сведения о распределении масс под поверхностью. Спектральные наблюдения могут указывать на различия в составе пород.
Если рассматривать эти наборы данных отдельно, каждый из них даёт только часть картины.
Фундаментальная модель предназначена для создания общего представления, в котором такие измерения можно сопоставлять. Именно поэтому её называют мультимодальной: она рассчитана не на один тип информации, а на сочетание нескольких способов наблюдения.
Это особенно важно для поиска объектов, которые нельзя надёжно определить только по внешнему виду.
ИИ не заменяет планетологов
Несмотря на впечатляющие показатели тестирования, новая система не является автономным «учёным по Луне».
Модель распознаёт закономерности, содержащиеся в данных, и строит прогнозы. Она не устанавливает самостоятельно геологическую историю обнаруженного объекта и не может без дополнительной проверки превратить статистическое совпадение в научное открытие.
Например, карта потенциального льда показывает участки, характеристики которых соответствуют известным условиям стабильности льда. Она не означает, что лёд непосредственно обнаружен в каждом отмеченном месте.
Аналогично, автоматическое обнаружение кратера ещё не заменяет анализ его формы, размеров, окружающей геологии и других характеристик.
Поэтому наиболее реалистичная роль такой системы заключается в предварительном анализе огромного массива информации и выделении объектов, на которые учёным стоит обратить особое внимание.
Открытая модель предназначена не только для NASA
Одной из важных особенностей проекта стало открытое распространение модели и связанных с ней данных.
NASA-IBM Lunar Foundation Model опубликована в открытом доступе, а исходный код и наборы данных предназначены для дальнейших исследований и экспериментов. Модель интегрирована в открытый инструментарий TerraTorch. Это позволяет другим исследовательским группам не только использовать готовую систему, но и сравнивать её с собственными методами.
Открытый формат особенно важен для научных моделей искусственного интеллекта. Если алгоритм доступен исследователям, они могут проверять результаты, менять методы обучения, добавлять новые данные и использовать систему для задач, которые первоначальная команда могла не предусматривать.
Таким образом, речь идёт не только о создании одного инструмента для лунных исследований, но и о формировании общей основы для последующих разработок.
Лунный ИИ вписывается в более широкую программу научных моделей
Новая модель не существует изолированно. Она является частью более широкой совместной работы NASA и IBM по созданию фундаментальных моделей для научных данных.
Ранее были разработаны модели для анализа наблюдений Земли и процессов на Солнце. В случае с Луной тот же общий подход адаптирован к совершенно другому типу поверхности и другим источникам информации.
Для планетологии такой подход может оказаться особенно полезным. Космические аппараты собирают всё больше данных, а возможности человека просматривать их вручную растут значительно медленнее.
ИИ способен взять на себя значительную часть повторяющейся работы: поиск объектов, классификацию изображений, сопоставление наблюдений и построение предварительных карт.
Что это меняет для будущего исследования Луны
Значение модели выходит за рамки чисто технической демонстрации. Луна становится одним из главных направлений будущей космической деятельности, а объём задач, связанных с её изучением, будет увеличиваться.
Исследователям необходимо будет одновременно решать научные и практические задачи: выбирать районы посадки, оценивать рельеф, изучать полярные области, искать потенциальные ресурсы, отслеживать изменения поверхности и определять интересные с геологической точки зрения участки.
Автоматизированная обработка может помочь проводить такие исследования быстрее.
От поиска объектов к планированию экспедиций
Особенно важным может стать сочетание научных и навигационных данных. Карта кратеров показывает особенности рельефа и возможные опасности, температурные данные характеризуют окружающую среду, а сведения о потенциальном льде помогают оценивать ресурсную ценность участка.
Однако сама модель не выбирает место будущей базы или посадки. Она предоставляет информацию, которую затем должны учитывать специалисты вместе с другими ограничениями — от безопасности до технических возможностей конкретной миссии.
Так ИИ становится ещё одним инструментом планетологии, а не самостоятельным механизмом принятия решений.
Луна как огромный полигон для научного ИИ
У Луны есть одно существенное преимущество для подобных исследований: она относительно близко расположена к Земле и уже наблюдается множеством космических аппаратов.
Это означает, что для неё существует огромный исторический архив наблюдений, который можно повторно анализировать с помощью новых методов. Данные, собранные много лет назад, не становятся бесполезными после завершения миссии. Напротив, появление более совершенных алгоритмов может позволить извлечь из них новую информацию.
В этом отношении искусственный интеллект меняет не сами прошлые наблюдения, а способы работы с ними.
То, что раньше требовало длительного ручного анализа, теперь можно предварительно обработать автоматически. Затем специалисты получают возможность сосредоточиться на наиболее интересных случаях и проверять результаты более подробно.
ИИ не обнаружил на Луне неизвестные залежи льда
Это принципиальное уточнение, поскольку возможности новой системы легко переоценить.
На момент её представления речь идёт о создании инструмента для анализа и прогнозирования, а не о подтверждённом открытии новых месторождений воды. Модель показала хорошие результаты на тестовых задачах, в том числе при оценке стабильности потенциального льда, но окончательное подтверждение наличия льда требует наблюдений соответствующими научными инструментами.
Точно так же система не изменила представления о возрасте Луны и не обнаружила неизвестную вулканическую активность. Её задача заключается в том, чтобы быстрее находить и картировать структуры, которые затем могут стать предметом самостоятельного исследования.
Это важное различие между инструментом анализа данных и научным открытием.
Следующий этап — использование модели на новых данных
Преимущество фундаментальной модели состоит в возможности адаптировать её к новым задачам и новым наборам данных.
По мере появления новых лунных наблюдений исследователи смогут проверять, насколько хорошо система работает за пределами исходного набора, уточнять её результаты и создавать специализированные версии для отдельных направлений.
Особенно полезным может оказаться повторный анализ уже существующих данных с использованием новых методов. Луна наблюдается десятилетиями, но далеко не все изображения и измерения были обработаны с одинаковой глубиной.
В результате сочетание старых наблюдений и новых алгоритмов способно ускорить составление более подробных карт лунной поверхности.
Искусственный интеллект становится новым инструментом лунной науки
Исследование Луны вступает в этап, когда проблема заключается уже не только в получении новых данных. Не менее важной становится способность быстро и корректно работать с тем, что уже накоплено.
NASA-IBM Lunar Foundation Model создана именно для этой задачи. Она объединяет данные разных миссий и инструментов, обучена на миллионах фрагментов лунных изображений и способна адаптироваться к нескольким научным направлениям. Испытания показали её сопоставимую или более высокую эффективность по сравнению с рядом специализированных моделей, особенно при оценке потенциальной стабильности льда и работе с крупномасштабным обнаружением кратеров.
При этом модель не заменяет космические аппараты, научные приборы или специалистов. Она выполняет другую функцию — помогает превратить огромный поток наблюдений в более удобный для исследования набор информации.
Если будущие лунные миссии продолжат наращивать объём данных, значение таких инструментов будет только увеличиваться. Лунная поверхность уже многократно сфотографирована, но новые алгоритмы позволяют смотреть на эти данные иначе. Поэтому следующий этап изучения Луны может быть связан не только с получением новых изображений, но и с более глубоким анализом тех наблюдений, которые человечество уже успело собрать.
Источники:
Статья создана по материалам Space.com
