NASA-მ და IBM Research-მა მთვარის მეცნიერებისთვის ღია კოდის მოდელი გამოუშვეს

მთვარის დაკვირვებები ხელახლა გამოსაყენებელ მოდელად იქცევა

NASA-მ და IBM Research-მა, რამდენიმე აკადემიურ ინსტიტუტთან თანამშრომლობით, გამოუშვეს NASA-IBM Lunar Foundation Model. მას მთვარის მეცნიერებისთვის ერთ-ერთ პირველ ღია კოდის საბაზისო მოდელად აღწერენ. ის წინასწარ გაწვრთნილია უნიშნო მონაცემების დიდ მოცულობაზე და შეიძლება კონკრეტულ ამოცანებზე მოერგოს მცირე რაოდენობის ნიშანდებული მაგალითებით, რაც მთვარის კვლევებში გავრცელებულ პრობლემას წყვეტს: დაკვირვებები ბევრია, იარლიყები კი იშვიათი.

გუნდმა მოდელი ნულიდან გაწვრთნა SomBench-ის გამოყენებით, რომელსაც დღემდე ყველაზე დიდ თანარეგისტრირებულ მულტიმოდალურ მთვარის კორპუსს უწოდებენ. ის მოიცავს თითქმის 2 მილიონი ფილების ნაკრებს 11 მოდალობასა და ორ სივრცულ მასშტაბზე. დაახლოებით 1 მილიონი მაღალი გარჩევადობის სურათი Narrow Angle Camera-დან მოვიდა, დაახლოებით 1 მეტრი პიქსელზე; 964 000-ზე ოდნავ ნაკლები მულტისპექტრული სურათი კი Wide Angle Camera-დან, 100 მეტრი პიქსელზე. მონაცემთა ნაკრები შეიცავს 30-ზე მეტ სივრცულად გასწორებულ მონაცემთა ფენას ცხრა ინსტრუმენტიდან და ოთხი მისიიდან. ის გეოგრაფიულად, რუკის ზონების მიხედვით გაიყო, რათა არ მომხდარიყო გაჟონვა სავარჯიშო, ვალიდაციისა და ტესტირების მონაცემებს შორის.

ყველაზე დიდი მატება ყინულისა და კრატერების პროგნოზში

მოდელი ეფუძნება TerraMind-ს, დედამიწის მულტიმოდალური დაკვირვების მოდელს, თუმცა ის ნულიდან გაწვრთნეს და არა წინასწარ გაწვრთნილ მოდელზე დახვეწეს. თითოეული ფილისთვის ის მკაფიო კონტექსტის სახით იღებს განათების კუთხეებს, მზის პოზიციას, ფილის ზომას და სხვა გადაღების გეომეტრიას. ის მთვარის სურათებს, სიმაღლის მონაცემებსა და გადაღების გეომეტრიას ტოკენებად ყოფს და შემდეგ მათ ურთიერთკავშირებს სწავლობს დაფარული ნაწილების პროგნოზირებით. მაღალი და დაბალი გარჩევადობის სურათები ერთად ისწავლება, FlexiViT კი ნაწვრთნილ მოდელს სხვადასხვა ზომის სურათის ფრაგმენტებთან მუშაობის საშუალებას აძლევს ხელახალი გაწვრთნის გარეშე.

ყველაზე დიდი გაუმჯობესება პოლარული ყინულის საბადოების პროგნოზირებაში დაფიქსირდა. IBM-ის თანახმად, მოდელმა პროგნოზის შეცდომა 22%-ით შეამცირა საუკეთესო საბაზისო მოდელთან, SwinV2-B-სთან შედარებით. დიდი მასშტაბის კრატერების აღმოჩენაში მან SwinV2-B თითქმის 19%-ით აჯობა, თანაც სავარჯიშო მონაცემების მხოლოდ ნახევარი გამოიყენა. მოდელებმა მსგავსი შედეგები აჩვენეს მეტრული მასშტაბის კრატერების აღმოჩენასა და Irregular Mare Patch-ის სეგმენტაციაში; განსხვავებების უმეტესობა ტრენინგის გაშვებებს შორის ვარიაციის ფარგლებში მოექცა. LoRA სრულ დახვეწას არ ჩამორჩა ტესტირებულ ამოცანებში და კრატერების აღმოჩენაში უკეთესად მუშაობდა.

გამოსადეგია ანალიზისთვის, მაგრამ პოზიციონირებაში შეზღუდვები აქვს

IBM Research Europe-ის დირექტორმა ხუან ბერნაბე-მორენომ თქვა, რომ მოდელი სხვადასხვა ინსტრუმენტის დაკვირვებებს აკავშირებს და ავლენს ისეთ კანონზომიერებებს, რომელთა ამოცნობაც იზოლირებულად რთულია. ის არ არის შესაფერისი აბსოლუტური გეოდეზიური პოზიციონირებისთვის. გენერაციის ტესტებში განედი და გრძედი ზოგჯერ ათეულობით გრადუსით იყო გადახრილი, ხოლო რეკონსტრუირებულ რელიეფურ სტრუქტურებს აბსოლუტური სიმაღლის მნიშვნელობები შეიძლება გადაეწია. მკვლევარები მას შემდგომი ანალიზისთვის ხელახლა გამოსაყენებელ საფუძვლად წარმოაჩენენ და არა ფიზიკური საზომი ინსტრუმენტების შემცვლელად. კონტროლირებადი ექსპერიმენტები, რომლებიც თითოეულ სიახლეს ცალკე გამოკვეთს, ჯერ კიდევ არ ჩატარებულა, ზოგიერთი სატესტო მონაცემთა ნაკრები კი მცირეა.

მოდელი საჯაროდ ხელმისაწვდომია Hugging Face-ზე, მისი კოდი GitHub-ზეა, ის კი ღია კოდის TerraTorch-ის ინსტრუმენტებშია ინტეგრირებული. NASA-მ და IBM-მ ასევე გამოაქვეყნეს მანქანური სწავლებისთვის მზა წინასწარი გაწვრთნის მონაცემთა ნაკრებები და ბენჩმარკების კოლექციები. მოდელი მათი AI for Science თანამშრომლობის ნაწილია, რომლის ფარგლებშიც 2022 წლის დასაწყისიდან საბაზისო მოდელებზე მუშაობენ.