NASA-IBM 月球基金会模型使用数十年的月球观测数据来训练机器。它在预测极地冰沉积和探测陨石坑方面尤其强大。
“美国宇航局花了几十年的时间建立了非凡的月球科学记录，但收集数据只是工作的一部分，”美国宇航局首席科学信息官凯文·墨菲说。他补充说，这些数据还需要让科学家更容易使用。 NASA 和 IBM 研究中心与多家学术机构合作，现已发布 NASA-IBM 月球基金会模型。这两个组织将其描述为月球科学首批开源基础模型之一。
与特定于任务的算法不同，基础模型是预先根据大量命名数据准备的，然后可以通过几个指定的示例适应特定任务。该团队认为这是每月研究的一个主要好处，其中观察数据丰富但标签稀缺。
17 年观察中约 200 万个瓷砖包
该团队使用 SomBench 从头开始训练模型，他们称这是有史以来最大的多模态鱼类语料库。它包含 11 种方法和两种空间尺度的近 200 万个图块。约 100 万张高分辨率图像来自每像素约 1 米的窄角相机 (NAC)，而来自每像素 100 米的广角相机的近 964,000 张多光谱图像。
大部分数据来自月球勘测轨道器 (LRO) 17 年的观测。据美国宇航局称，它拥有的数据比美国宇航局任何其他行星任务都要多。来自 GRAIL 任务（重力）、月球探测器（氢）和 JAXA Kaguya/SELENE 探测器（矿物学）的数据完成了收集。
该数据集总共结合了来自九个仪器和四个任务的 30 多个空间同步数据层。为了防止训练、验证和测试数据之间的泄漏，语料库分布在地图区域中，而不是随机分布各个图块。
该模型将照明条件作为输入，而不是猜测它们
该模型基于多模式地球观测模型 TerraMind，但研究人员从头开始训练它，而不是对其进行微调。对于每个图块，模型将图像几何形状作为照明上下文，包括照明角度、太阳的位置和图块的度数。在月球上，光的几何形状比表面的实际属性更能塑造表面的外观。该团队并没有强迫模型从原始像素中纠正这一问题，而是向其提供这些信息。
该模型还在单个训练周期中同时学习高分辨率和粗粒度图像，捕获精细细节和大规模上下文。一种名为 FlexiViT 的技术允许相同的训练模型适应具有不同补丁大小的任务，而无需重新训练。
结冰预测是模型进一步发展的地方
该团队测试了该模型检测 100 米和 1 米尺度的陨石坑以及预测极地冰沉积的能力。它还应该剖析不规则的海斑（IMP），这些年轻的火山特征挑战了既定的月球冷却时间表。根据技术报告，在所有任务中，预训练模型都匹配或优于通用线和具有随机启动的架构相同的控制模型。
最大的收获是冰沉积预测。阴影区的永久极地区域仍然足够冷，足以容纳水冰数十亿年，被认为是水、氧气和火箭燃料的潜在来源。据 IBM 称，与最佳基线 SwinV2-B 相比，该模型将预测误差降低了 22%。
据 IBM 称，该模型在粗略尺度的陨石坑检测方面比 SwinV2-B 领先约 19%。这个数字来自仅训练一半数据，表明模型需要更少的标记样本才能表现良好。
部分优势在于模型如何处理数据
即使是随机初始化的控制模型，在没有任何月度训练的情况下也击败了冰预测的七个基线中的五个。研究人员表示，部分优势在于该模型可以处理不同类型的数据。它为每一层数据分配自己的处理路径，而基本模型将所有输入视为聚合通道。
在弹坑检测和IMP分割的尺度上，模型连接了几乎最强的碱基，并且研究时期之间的差异重合。 IBM 声称 IMP 比 SwinV2-B 领先 3%，但结果似乎更具可比性，而不是更好。
研究人员表示，LoRA 这种较轻的微调方法仅训练一部分参数，与全面的全面微调相当，并且在弹坑检测方面表现更好。完整的设置仅在两个最小的任务上获胜。
可用于分析，但不能替代物理测量
IBM 欧洲研究院院长胡安·伯纳贝-莫雷诺 (Juan Bernabe-Moreno) 表示，该模型将跨仪器的观察结果联系起来，并揭示了难以孤立观察的模式。
研究表明该模型不适合绝对大地定位。在生成测试中，在某些情况下，纬度和经度会偏离数十度，即使正确重建了形状，高程结构也可能会出现可变的绝对高程值。
作者将其视为下游任务的可重用基础，而不是物理测量工具的替代品。隔离每项创新贡献的对照实验仍在等待中，并且一些测试集很小。
不断壮大的模特家庭的一部分
该模型可在 Hugging Face 上获取，代码在 GitHub 上，并且已集成到 TerraTorch 开源工具中。该团队还发布了初步数据集和 ML 基准数据集。
该模型是 NASA-IBM “AI for Science”合作的一部分。自 2022 年初以来，这两个组织一直根据《太空法案协议》致力于基本模型的研究。 2023 年 8 月，他们发布了 Prithvi 的第一个 Hugging Face 模型，该模型在美国本土的 Landsat 和 Sentinel-2 图像上进行训练，并适用于绘制洪水和野火地图。
IBM 宣布 Prithvi 成为其 Watsonx 平台的一部分。 IBM 与 ESA 和于利希研究中心共同开发了 TerraMind，它是 2025 年月球模型的基础，用于地球观测。
谷歌 Deepmind 正在遵循 AlphaEarth Foundations 的相关方法，将光学卫星图像、雷达、激光雷达扫描和气候模拟压缩到地球表面的紧凑布局中。
