NASA та IBM відкрили AI-модель, яка шукає кратери, вулкани й лід на Місяці

NASA та IBM представили відкриту базову AI-модель, створену спеціально для дослідження поверхні Місяця. Вона допомагає швидше аналізувати величезні архіви космічних знімків: знаходити кратери, розпізнавати незвичні вулканічні структури та оцінювати ділянки біля полюсів, де може зберігатися водяний лід. Модель і супровідні набори даних опубліковані для дослідників, а код доступний для перевірки та експериментів.

Два мільйони фрагментів замість ручного перегляду

Основою навчання стали дані Lunar Reconnaissance Orbiter, який детально фотографує Місяць уже 17 років. За інформацією NASA, набір охопив близько двох мільйонів фрагментів: понад мільйон зображень із роздільністю приблизно один метр і майже 964 тисячі мультиспектральних знімків із роздільністю 100 метрів. Додатково використали інформацію місій GRAIL, Lunar Prospector і японського апарата SELENE.

Такі обсяги складно розмітити вручну. Базова модель спочатку вивчає загальні закономірності рельєфу без великої кількості готових підписів, а потім її можна донавчити на невеликій розміченій вибірці для конкретного завдання. Це схоже на універсальний «зір» для місячних даних, а не на готовий чатбот, який відповідає на будь-яке питання.

Де на Місяці може бути лід

Один із найцікавіших сценаріїв — прогнозування стабільності льоду біля полюсів. Частина глибоких кратерів майже ніколи не бачить сонячного світла, тому температура там може залишатися достатньо низькою, щоб лід зберігався мільярди років. Його розташування важливе для науки й майбутніх експедицій, але модель показує ймовірні зони, а не підтверджені поклади.

NASA повідомляє, що в тестах система показала особливо помітну перевагу саме в оцінюванні можливих стабільних зон льоду. Для остаточних висновків усе одно потрібні незалежні вимірювання, дані різних приладів і польова перевірка майбутніми місіями. AI пришвидшує відбір кандидатів, але не перетворює прогноз на фізично знайдений ресурс.

Кратери розповідають вік поверхні

Кількість, розмір і взаємне розташування кратерів допомагають оцінювати вік ділянок Місяця. Ручний підрахунок на майже суцільній карті поверхні займає багато часу, тоді як донавчена модель може автоматично виділяти тисячі об’єктів. В одному з тестів вона порівнювала зображення району кратера Ейнштейн до і після падіння ступеня ракети та знайшла нову зміну поверхні.

Експеримент має важливе обмеження: різне освітлення під час прольотів змінює вигляд тіней і може приховувати невеликі об’єкти. Тому алгоритм не можна оцінювати лише на одному красивому прикладі. Потрібні тести на різних кутах Сонця, типах рельєфу та камерах, а результати має перевіряти фахівець.

Чому відкритість тут справді важлива

Модель розміщено на Hugging Face, код — на GitHub, а підготовлені дані й контрольні набори випущені разом із нею. Інтеграція з відкритим інструментарієм TerraTorch дає університетам і невеликим лабораторіям можливість відтворити експеримент без навчання великої системи з нуля. Водночас «відкрита модель» не означає, що кожен результат автоматично правильний: користувачеві потрібно прочитати ліцензії коду, ваг і наборів даних, а також опис методики.

Проєкт продовжує серію наукових моделей NASA та IBM. Раніше партнери працювали над Prithvi для спостереження Землі й Surya для аналізу Сонця та космічної погоди. Загальна ідея полягає в тому, щоб перетворити петабайти державних наукових даних на основу, яку можна швидко пристосувати до вузького дослідницького питання.

Практичний висновок

Новинка цікава не гучною обіцянкою «AI дослідить Місяць», а доступністю повного робочого набору: попередньо навченої моделі, даних, тестів та інструментів. Вона може зменшити обсяг ручної роботи й допомогти вченим швидше знаходити ділянки для детального аналізу. Але рішення про лід, геологічний вік або безпеку місця посадки повинні спиратися на кілька незалежних джерел даних. Матеріал перекладено й адаптовано з NASA Science; зображення використано редакційно з повною атрибуцією відповідно до NASA Media Usage Guidelines.