El modelo lunar de código abierto de NASA y IBM convierte 17 años de datos orbitales en una base para la ciencia lunar
decoder ·
NASA y IBM han lanzado el Modelo de Base Lunar NASA-IBM, una herramienta de inteligencia artificial de código abierto diseñada para hacer accesibles décadas de datos de observación lunar para el aprendizaje automático. Entrenado desde cero con casi dos millones de conjuntos de imágenes que abarcan 17 años de datos de misiones como LRO y GRAIL, el modelo aborda la escasez de datos etiquetados en la ciencia lunar aprovechando grandes volúmenes de entradas no etiquetadas. Una innovación clave es la inclusión explícita de la geometría de iluminación como entrada, lo que ayuda al modelo a distinguir entre las propiedades de la superficie y los efectos de iluminación de manera más efectiva que los métodos anteriores. El modelo demuestra mejoras significativas en la predicción de depósitos de hielo polar, reduciendo el error de predicción hasta un 22 por ciento en comparación con los modelos base. También tiene un rendimiento competitivo en la detección de cráteres a diversas escalas y en la segmentación de Parches Mare Irregulares, aunque no reemplaza a los instrumentos de medición física para el posicionamiento geodésico preciso. Al asignar rutas de procesamiento separadas a diferentes capas de datos y utilizar técnicas como FlexiViT, el modelo se adapta a diversos tamaños de parches de imagen sin necesidad de volver a entrenarlo. Este lanzamiento marca un hito en la colaboración entre NASA e IBM bajo su Acuerdo de Acción Espacial, siguiendo a modelos anteriores de observación terrestre como Prithvi. El modelo, el código y los conjuntos de datos están disponibles públicamente a través de Hugging Face, GitHub y el kit de herramientas TerraTorch.
decoder