ناسا وIBM Research تطلقان نموذج مفتوح المصدر لعلوم القمر

رصد القمر يتحول إلى نموذج قابل لإعادة الاستخدام

أطلقت ناسا وIBM Research، بالتعاون مع عدة معاهد أكاديمية، نموذج NASA-IBM Lunar Foundation Model. يصفونه بأنه أحد أول النماذج الأساسية مفتوحة المصدر لعلوم القمر. تم تدريبه مسبقًا على حجم كبير من البيانات غير الموسومة ويمكن ضبطه لمهام محددة باستخدام عدد صغير من الأمثلة الموسومة، مما يحل مشكلة شائعة في أبحاث القمر: الرصد كثير، والعلامات نادرة.

درّب الفريق النموذج من الصفر باستخدام SomBench، الذي يُطلق عليه أكبر مدونة قمرية متعددة الوسائط مسجلة حتى اليوم. يتضمن ما يقارب 2 مليون ملف عبر 11 نمطًا ومقياسين مكانيين. جاء حوالي 1 مليون صورة عالية الدقة من Narrow Angle Camera بدقة حوالي 1 متر لكل بكسل؛ وأقل بقليل من 964000 صورة متعددة الأطياف من Wide Angle Camera بدقة 100 متر لكل بكسل. تحتوي مجموعة البيانات على أكثر من 30 طبقة بيانات مكانية محاذاة من تسعة أجهزة وأربع بعثات. تم تقسيمها جغرافيًا حسب مناطق الخرائط لتجنب التسرب بين بيانات التدريب والتحقق والاختبار.

أكبر تحسن في التنبؤ بالجليد والفوهات

يعتمد النموذج على TerraMind، نموذج الرصد متعدد الوسائط للأرض، إلا أنه تم تدريبه من الصفر وليس ضبطه على نموذج مدرّب مسبقًا. لكل ملف، يأخذ زوايا الإضاءة وموقع الشمس وحجم الملف وهندسة الالتقاط الأخرى كسياق صريح. يقسّم صور القمر وبيانات الارتفاع وهندسة الالتقاط إلى رموز ثم يتعلم علاقاتها بالتنبؤ بالأجزاء المغطاة. تُتعلم الصور عالية ومنخفضة الدقة معًا، بينما يتيح FlexiViT للنموذج المدرّب العمل مع أجزاء صور بأحجام مختلفة دون إعادة تدريب.

سُجل أكبر تحسن في التنبؤ برواسب الجليد القطبي. وفقًا لـ IBM، قلّل النموذج خطأ التنبؤ بنسبة 22% مقارنة بأفضل نموذج أساسي، SwinV2-B. في اكتشاف الفوهات واسعة النطاق، تفوق على SwinV2-B بنحو 19%، مع استخدام نصف بيانات التدريب فقط. أظهرت النماذج نتائج مماثلة في اكتشاف الفوهات بالمقياس المترّي وتجزئة Irregular Mare Patch؛ ومعظم الاختلافات كانت ضمن نطاق التباين بين عمليات التدريب. لم يتخلف LoRA عن الضبط الكامل في المهام المختبرة وكان يعمل بشكل أفضل في اكتشاف الفوهات.

مفيد للتحليل، لكن له قيود في تحديد المواقع

قال خوان برنابيه-مورينو، مدير IBM Research Europe، إن النموذج يربط رصد أجهزة مختلفة ويكشف أنماطًا يصعب التعرف عليها بشكل معزول. وهو غير مناسب لتحديد المواقع الجيوديسية المطلق. في اختبارات التوليد، كان خط الطول وخط العرض منحرفين أحيانًا بمئات الدرجات، بينما قد تتجاوز هياكل التضاريس المعاد بناؤها قيم الارتفاع المطلقة. يعتبره الباحثون أساسًا قابلًا لإعادة الاستخدام للتحليل اللاحق وليس بديلًا عن أدوات القياس الفيزيائية. لم تُجرَ بعد تجارب محكومة تختبر كل ميزة على حدة، وبعض مجموعات بيانات الاختبار صغيرة.

النموذج متاح علنًا على Hugging Face، ورمزه على GitHub، وهو مدمج في أدوات TerraTorch مفتوحة المصدر. كما نشرت ناسا وIBM مجموعات بيانات جاهزة للتعلم الآلي ومجموعات معايير مرجعية. النموذج جزء من تعاونهما AI for Science، الذي يعمل على النماذج الأساسية منذ بداية عام 2022.