Il modello lunare open source di NASA e IBM trasforma 17 anni di dati orbitali in una base per la scienza lunare
decoder ·
La NASA e IBM hanno rilasciato il NASA-IBM Lunar Foundation Model, uno strumento di intelligenza artificiale open source progettato per rendere accessibili i dati osservativi lunari decennali per l'apprendimento automatico. Addestrato da zero su quasi due milioni di bundle di tessere che coprono 17 anni di dati provenienti da missioni come LRO e GRAIL, il modello affronta la scarsità di dati etichettati nella scienza lunare sfruttando grandi volumi di input non etichettati. Un'innovazione chiave è l'inclusione esplicita della geometria dell'illuminazione come input, che aiuta il modello a distinguere tra proprietà superficiali ed effetti di illuminazione in modo più efficace rispetto ai metodi precedenti. Il modello dimostra miglioramenti significativi nella previsione dei depositi di ghiaccio polare, riducendo l'errore di previsione fino al 22% rispetto ai modelli di riferimento. Si comporta anche in modo competitivo nel rilevamento dei crateri a varie scale e nella segmentazione delle Irregular Mare Patches, sebbene non sostituisca gli strumenti di misurazione fisica per il posizionamento geodetico preciso. Assegnando percorsi di elaborazione separati a diversi strati di dati e utilizzando tecniche come FlexiViT, il modello si adatta a diverse dimensioni delle patch di immagine senza necessità di riaddestramento. Questo rilascio segna una pietra miliare nella collaborazione NASA-IBM nell'ambito del loro Space Act Agreement, seguendo i precedenti modelli di osservazione terrestre come Prithvi. Il modello, il codice e i dataset sono disponibili pubblicamente tramite Hugging Face, GitHub e il toolkit TerraTorch.
decoder