NASA və IBM Research Ay elmləri üçün açıq kodlu model buraxdı

Ay müşahidələri yenidən istifadə olunan modelə çevrilir

NASA və IBM Research bir neçə akademik institutla əməkdaşlıq edərək NASA-IBM Lunar Foundation Model-i buraxdı. Onu Ay elmləri üçün ilk açıq kodlu bazanı model kimi təsvir edirlər. O, işarəli məlumatların böyük həcmində əvvəlcədən təlim alıb və xüsusi tapşırıqlara az sayda işarələnmiş nümunələrlə uyğunlaşa bilər, bu da Ay tədqiqatlarında yayılmış problemi həll edir: müşahidələr çoxdur, dağlar isə nadirdir.

Qrup modeli sıfırdan SomBench-dən istifadə etməklə təlim aldı, bu günə qədər ən böyük koqistrləşdirilmiş multimodal Ay korpusu adlanır. O, 11 modal və iki fəza miqyasında təxminən 2 milyon fayl dəstini əhatə edir. Təxminən 1 milyon yüksək ayırdetmə qabiliyyətli şəkil Narrow Angle Camera-dan, təxminən 1 metr piksellə gələrək; 964 000-dən bir az çoxspektral şəkil isə Wide Angle Camera-dan, 100 metr piksellə gəlir. Məlumat dəsti yeddi alətdörd missiyadan 30-dan çox fəza düzəldilmiş məlumat təbəqəsini ehtiva edir. O, coğrafi, xəritə zonalarına görə bölündü ki, təlim, validasiya və test məlumatları arasında sızma olmasın.

Qar və kraterlərin proqnozlaşdırılmasında ən böyük artım

Model TerraMind, Yerin multimodal müşahidə modelinə əsaslanır, lakin o, sıfırdan təlim alıb, əvvəlcədən təlim alınmış modelə yaxşılaşdırılmır. Hər fayl üçün o, aydın kontekst kimi işıq bucaqlarını, Günəş mövqeyini, fayl ölçüsünü və digər çəkiliş geometriyasını qəbul edir. O, Ay şəkillərini, hündürlük məlumatlarını və çəkiliş geometriyasına tokenlərə bölür və sonra onları örtülü hissələrin proqnozlaşdırılması ilə öyrənir. Yüksək və aşağı ayırdetmə qabiliyyətli şəkillər birlikdə öyrənir, FlexiViT isə təlim alınmış modelə müxtəlif ölçülü şəkil fraqmentləri ilə işləmək imkanı verir, yenidən təlim olmadan.

Ən böyük yaxşılaşma qar kənarlarının proqnozlaşdırılmasında qeydə alındı. IBM-ə görə, model proqnoz xətasını ən yaxşı bazanı model, SwinV2-B ilə müqayisədə 22% azaltdı. Böyük miqyaslı kraterlərin aşkarlanmasında o, SwinV2-B-ni təxminən 19% üstələdi, həm də təlim məlumatlarının yalnız yarısından istifadə etdi. Modellər metr miqyaslı kraterlərin aşkarlanması və Irregular Mare Patch segmentasiyasında oxşar nəticələr göstərdi; fərqlərin əksərliyi təlim buraxılışları arasında variasiya sərhədlərində qaldı. LoRA tam yaxşılaşdırma test tapşırıqlarında geridə qalmadı və kraterlərin aşkarlanmasında daha yaxşı işlədi.

Təhlil üçün faydalıdır, lakin mövqe təyinində məhdudiyyətləri var

IBM Research Europe direktoru Xuan Bernabe-Moreno dedi ki, model müxtəlif alətlərin müşahidələrini birləşdirir və təkbaşına aşkar etməsi çətin olan qanunauyğunluqları əks etdirir. O, absolut geodeziya mövqe müəyyənləşdirməsi üçün uyğun deyil. Generasiya testlərində enlik və uzunluq bəzən dərəcələrlə yanlış olur, bərpa edilən relyef strukturları isə absolut hündürlük dəyərlərini aşa bilər. Tədqiqatçılar onu sonrakı təhlil üçün yenidən istifadə oluna biləcək əsas kimi görürlər, fiziki ölçü alətlərinin əvəzi kimi deyil. Hər yeniliyi ayrıca yoxlayan nəzarətli təcrübələr hələ keçirilməyib, bəzi test verilənləri də azdır.

Model Hugging Face-də ictimai əlçatandır, onun kodu GitHub-dadır, o isə açıq kodlu TerraTorch alətlərinə inteqrasiya edilib. NASA və IBM həmçinin maşın öyrənməsi üçün hazır əvvəlcədən təlim verilənləri dəstləri və benchmark kolleksiyalarını dərc etdilər. Model onların AI for Science əməkdaşlığının hissəsidir, onun çərçivəsində 2022-ci ilin əvvəlindən baza modelləri üzərində işləyirlər.