Model NASA i IBM do danych księżycowych. Wyniki obiecujące przy lodzie, nierówne w innych zadaniach

NASA i IBM udostępniły otwarty model bazowy przeznaczony do analizy danych z obserwacji Księżyca. System NASA-IBM Lunar Foundation Model został wytrenowany od podstaw na wielomodalnym zbiorze danych łączącym obserwacje z 17 lat, czterech misji kosmicznych i dziewięciu instrumentów pomiarowych. Zespół udostępnił model, kod oraz przygotowane zestawy danych na licencji Apache-2.0.

Modele bazowe trenowane na surowych obserwacjach mają ułatwić pracę z danymi planetarnymi, których agencje kosmiczne gromadzą ogromne ilości, podczas gdy ręcznie oznaczonych przykładów do uczenia algorytmów wciąż brakuje. Testy opublikowane przez autorów pokazują jednak, że skuteczność nowego rozwiązania zależy ściśle od rodzaju zadania i skali obrazu.

Cienie i kąt padania światła podawane wprost

Trudnością w interpretacji zdjęć Księżyca są zmienne warunki oświetlenia i długie cienie rzucane przez kratery. W nowym modelu badacze podają geometrię obrazowania – w tym kąty oświetlenia i położenie Słońca – bezpośrednio jako dodatkowe dane wejściowe. Algorytm nie musi sam domyślać się, które ciemne plamy na powierzchni są rzeźbą terenu, a które wynikają wyłącznie z kąta padania promieni słonecznych.

Zbiór treningowy SomBench oparto w głównej mierze na zdjęciach z sondy Lunar Reconnaissance Orbiter (LRO), uzupełniając je o pomiary grawitacyjne z misji GRAIL, dane o wodorze z Lunar Prospector oraz informacje mineralogiczne z japońskiej sondy Kaguya. Całość obejmuje około 2 mln pakietów kafelków danych („tile bundles”) i 11 modalności. Aby uniknąć zawyżania wyników przez podobieństwo sąsiadujących kadrów, autorzy podzielili materiał na zestawy treningowe i testowe według ścisłych granic geograficznych.

Przewaga przy potencjalnym lodzie, brak zysków w wysokiej rozdzielczości

Największą poprawę model zanotował w benchmarku prognozowania prawdopodobieństwa występowania lodu w stale zacienionych rejonach biegunowych, opartym na danych o rozdzielczości 240 m na piksel. Według raportu technicznego błąd średniokwadratowy (RMSE) spadł o 22% względem algorytmu SwinV2-B. Nie oznacza to jednak fizycznego potwierdzenia istnienia złóż w tych miejscach – model ocenia jedynie korelacje na podstawie map referencyjnych i pomiarów pośrednich.

Co istotne, wersja modelu z losowo zainicjowanymi wagami, która nie przeszła pretreningu na danych księżycowych, również pokonała pięć z siedmiu metod porównawczych w tym samym zadaniu. Wskazuje to, że część przewagi wynika z samej architektury przetwarzającej różne rodzaje danych osobnymi ścieżkami, a nie wyłącznie z wiedzy zdobytej podczas wstępnego uczenia.

W pozostałych zastosowaniach rezultaty są bardziej zróżnicowane:

• Wykrywanie kraterów w niższej rozdzielczości: model osiągnął wynik o blisko 19% lepszy od SwinV2-B, wykorzystując do dostrojenia o połowę mniej danych.
• Wykrywanie kraterów w wysokiej rozdzielczości: na szczegółowych zdjęciach z kamery wąskokątnej (NAC) różnice między modelami mieściły się w granicach standardowych wahań treningowych.
• Segmentacja struktur wulkanicznych (IMP): deklarowana przez IBM przewaga 3% nad metodami bazowymi nie jest statystycznie jednoznaczna w przedstawionych wynikach.

Analiza wzorców, nie pomiary geodezyjne

Autorzy zaznaczają, że system ma pomagać w łączeniu niejednorodnych danych i typowaniu obszarów do dalszych analiz, ale nie zastąpi instrumentów pomiarowych. W testach odtwarzania brakujących informacji model nie potrafił wiarygodnie wyznaczać bezwzględnych współrzędnych geograficznych (błędy sięgały kilkudziesięciu stopni), a rekonstruowanym formom terenu przypisywał nieprawidłowe wysokości bezwzględne.

Przedstawione wyniki nie zostały dotąd poparte niezależną walidacją. Ostateczna ocena skuteczności modelu będzie wymagała dalszych testów izolujących wpływ poszczególnych komponentów architektury oraz weryfikacji na większych zbiorach testowych, które w obecnych badaniach w części zadań pozostawały niewielkie.