NASA给月亮造了个AI：用月面数据训练可复用基础模型

编辑丨%

迄今为止，人类已经拍摄了几十年的月球。从阿波罗时代的照片，到绕月探测器持续传回的高分辨率影像，人类手里其实早就积累了一份极其庞大的月球信息库。但问题也随之出现：数据越来越多，想要把这些数据全部看懂，反而越来越难。

NASA 为这个问题带来了 AI 解法。在与 IBM 研究院及多家学术机构的持续合作中，NASA 推出了 NASA-IBM 月球基础模型，这是首批专为月球科学开发的开源 AI 模型之一。模型和相关数据已经公开，研究人员可以直接拿来继续训练和适配不同任务。

^{相关链接：https://huggingface.co/collections/nasa-ibm-ai4science/nasa-ibm-lunar-fm-and-downstream-models}

NASA-IBM

NASA-IBM 月球基础模型并不是简单把所有月球图片丢进一个视觉模型里，它采用了多模态、多分辨率的设计：训练数据大约包含 11 种数据模态，同时覆盖约 1 米和 100 米两种尺度。

这些数据来自于月球勘测轨道飞行器（LRO）过去 17 年所收集的数据，比所有其他 NASA 行星任务加起来还要大，几乎无缝地捕捉到了整个月球的高分辨率拼接图。NASA-IBM 模型在该数据集中约 200 万张图像瓦片上训练，其中包括超过 100 万张 1 米分辨率的高分辨率相机图像和近 964,000 张 100米 分辨率的多光谱图像。

如此多数量的图片经由 ViT-B 编码器—解码器架构进行预训练，让 AI 在学习中从不同数据中补全缺失的信息，相关的参数甚至包括照明角度、太阳参考坐标以及地理范围等观测几何信息。

该模型还基于多个任务的高分辨率月球图像和地形数据进行训练，如 NASA 的 GRAIL（重力回收与内部实验室）、NASA 的月球探勘者号和日本宇宙航空研究开发机构（JAXA）的硒化与工程探测器。

月球研究任务

预训练之后，模型将会被拿来执行几个现阶段较为艰难的任务。

其一是寻找月球极区可能存在的冰。像月球上这些永久阴影的黑暗区域，冰层保持足够低，可以困住并保存冰层长达数十亿年。NASA-IBM 可以协助研究者确定冰层在表面与地下可能未定的位置。研究这些冰层可以帮助我们通查月球的秘密，并为未来太空探索绘制提供机会。

      ^{图示：NASA-IBM 模型再现了月球冰层潜力分布图，显示在四个靠近月球极点的位置。}

其二是寻找年轻的火山结构。虽然月球通常被认为已经不再活跃，但它的表面仍然存在一些被称为「不规则月海斑」的异常火山地貌。这些结构看起来相对年轻，因此它们的存在会影响科学家对月球冷却和热演化历史的理解。

其三是经典的陨石坑识别。这些遍布月球表面、由撞击形成的环形地貌，它们的数量、分布与尺寸可以帮助科学家判断不同区域的年龄，并进一步重建太阳系早期的历史。

   ^{图示：这些月球勘测轨道器的图像展示了爱因斯坦陨石坑附近月面在 SpaceX 火箭弹体撞击前后的情况。}

总体而言，NASA-IBM 的表现相较于其他几个强基线模型，做到了持平甚至更优的表现，在陨石坑测绘和不规则海面区域的分割方面取得了可比结果，同时在估算极地冰层稳定性方面展现出明显优势。

太空探索的进一步尝试

NASA-IBM 是美国国家航空航天局首席科学数据官办公室在 AI4S 战略的一部分——这是 NASA 与 IBM 之间一项更大规模、持续进行的合作项目，旨在利用先进的人工智能技术探索地球和太阳系。

该模型加入了一系列通过这一合作开发的 AI 模型，包括基于地球观测数据进行预训练，支持灾害检测、洪水测绘、作物产量预测等应用的 Prithvi 模型；基于高分辨率太阳观测数据训练的太阳物理模型，用于预测太阳耀斑等空间天气现象的 Surya 模型。

为支持全球科研社区，团队在发布该模型的同时，还推出了全面的机器学习预训练数据集和基准测试集合，并将模型集成到开源工具包 TerraTorch 中。该开放发布还依托一篇发表于 Hugging Face 的配套论文，确保研究结果可重复，并帮助全球科学家构建、比较和优化用于未来月球探索的人工智能模型。

^{原文链接：https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model}