NASA ו-IBM משחררות מודל AI פתוח לחקר הירח, שמפחית את שגיאת חיזוי הקרח בקטבים בעד 22%

NASA ו-IBM Research, יחד עם כמה מוסדות אקדמיים, שחררו את NASA-IBM Lunar Foundation Model. זה מודל AI בקוד פתוח (open source) שנועד להפוך עשרות שנים של תצפיות על הירח לנתונים שאפשר לעבוד איתם בכלי למידת מכונה. לדברי שני הארגונים, זה אחד ממודלי היסוד (foundation models) הפתוחים הראשונים שפותחו לחקר הירח. בבדיקות שנערכו לו הוא בלט במיוחד בחיזוי מרבצי קרח באזורי הקטבים ובזיהוי מכתשים.

"NASA השקיעה עשרות שנים בבניית תיעוד מדעי יוצא דופן של הירח, אבל איסוף הנתונים הוא רק חלק מהעבודה", אמר קווין מרפי, מנהל נתוני המדע הראשי של NASA. לדבריו, צריך גם להקל על המדענים להשתמש בנתונים.

למה דווקא מודל יסוד

אלגוריתם רגיל נבנה למשימה אחת. מודל יסוד, לעומת זאת, מאומן מראש על כמויות גדולות של נתונים לא מתויגים, ואחר כך אפשר להתאים אותו למשימות ספציפיות בעזרת מספר קטן של דוגמאות מתויגות. לפי הצוות, זה בדיוק מה שחקר הירח צריך: יש בו הרבה מאוד נתוני תצפית, אבל מעט נתונים שמישהו כבר סימן ותייג.

17 שנים של תצפיות

הצוות אימן את המודל מאפס על SomBench. לדבריהם, זה מאגר הנתונים הרב-מודאלי הגדול ביותר עד היום שבו כל השכבות מיושרות זו לזו מבחינה מרחבית. המאגר כולל כמעט שני מיליון חבילות של אריחי תמונה ב-11 סוגי נתונים (מודאליות) ובשני קני מידה. כמיליון מהתמונות הן תמונות ברזולוציה גבוהה של כמטר לפיקסל, מהמצלמה הצרה (NAC). קצת פחות מ-964 אלף הן תמונות רב-ספקטרליות ברזולוציה של 100 מטר לפיקסל, מהמצלמה הרחבה.

רוב הנתונים מגיעים מ-17 שנות תצפית של החללית Lunar Reconnaissance Orbiter (LRO). לפי NASA, נפח הנתונים שלה גדול מזה של כל שאר המשימות הפלנטריות של הסוכנות יחד. לצדם נכללו נתונים ממשימת GRAIL (שדה הכבידה), מ-Lunar Prospector (מימן) ומהחללית היפנית Kaguya/SELENE של JAXA (מינרלוגיה). בסך הכול המאגר מאחד יותר מ-30 שכבות נתונים מתשעה מכשירים בארבע משימות. כדי שנתוני הבדיקה לא "ידלפו" לנתוני האימון, החלוקה ביניהם נעשתה לפי אזורים גאוגרפיים במפה ולא באופן אקראי.

המודל מבוסס על TerraMind, מודל רב-מודאלי לתצפית על כדור הארץ. עם זאת, החוקרים לא הסתפקו בכוונון שלו ואימנו אותו מחדש מאפס. על הירח, זווית התאורה משפיעה על מראה פני השטח הרבה יותר מהתכונות הממשיות שלהם. לכן, במקום לחייב את המודל לנחש את תנאי התאורה מתוך הפיקסלים, הצוות פשוט מזין לו אותם: זוויות ההארה, מיקום השמש וגבולות האריח. המודל גם לומד בו-זמנית מתמונות מפורטות ומתמונות גסות. בזכות טכניקה בשם FlexiViT, אותו מודל מאומן יכול להסתגל לגדלים שונים של קטעי תמונה (patches) בלי אימון נוסף.

התוצאות

המודל נבדק בזיהוי מכתשים בקנה מידה של 100 מטר ושל מטר אחד, בחיזוי מרבצי קרח בקטבים ובסימון של Irregular Mare Patches. אלה תצורות געשיות צעירות שמערערות את לוחות הזמנים המקובלים להתקררות הירח. לפי הדוח הטכני, בכל המשימות המודל השתווה למודלי הייחוס המקובלים או עקף אותם.

הפער הגדול ביותר נרשם בחיזוי הקרח. לפי IBM, המודל הפחית את שגיאת החיזוי בעד 22% לעומת SwinV2-B, מודל הייחוס הטוב ביותר. בזיהוי מכתשים בקנה מידה גס הוא עקף את SwinV2-B בכמעט 19%, ולפי IBM זאת אחרי אימון על מחצית בלבד מהנתונים. ככל הנראה המשמעות היא שהמודל מסתדר עם פחות דוגמאות מתויגות. בתמונות ברזולוציה הגבוהה של NAC, לעומת זאת, כל המודלים הציגו ביצועים חלשים יותר.

למה זה חשוב

באזורי הקטבים יש אזורים שנמצאים בצל תמידי. הם קרים מספיק כדי לשמר קרח מים במשך מיליארדי שנים, ונחשבים למקור אפשרי למים, לחמצן ולדלק רקטות. לכן מפות מדויקות יותר של מרבצי הקרח עשויות להיות בעלות ערך מעשי למשימות עתידיות. ההחלטה לשחרר את המודל בקוד פתוח מאפשרת, ככל הנראה, גם לקבוצות מחקר קטנות להשתמש ב-17 שנות נתונים בלי לבנות תשתית מאפס.

יש גם הסתייגות: אפילו מודל הבקרה, שזהה במבנהו אך לא עבר אימון מקדים על נתוני ירח, עקף חמישה משבעה מודלי ייחוס בחיזוי הקרח. לדברי החוקרים, חלק מהיתרון נובע מהאופן שבו המודל מטפל בסוגי הנתונים השונים, ולא רק מהאימון המקדים.