NASA Và IBM Phát Hành Model Mặt Trăng Mã Nguồn Mở

Kevin Murphy, giám đốc khoa học dữ liệu của NASA, nói NASA đã mất nhiều thập kỷ để xây dựng một hồ sơ khoa học đặc biệt về Mặt Trăng, nhưng việc thu thập dữ liệu mới chỉ là một phần. Ông cho biết dữ liệu còn phải dễ dùng hơn với các nhà khoa học.

Nhóm phát triển nói model này làm cho dữ liệu quan sát Mặt Trăng trong nhiều thập kỷ trở nên hữu ích cho học máy. Model được cho là mạnh ở việc dự đoán các mỏ băng ở hai cực và phát hiện hố va chạm.

Nhóm đã huấn luyện model từ đầu bằng SomBench, mà họ nói là tập hợp tư liệu Mặt Trăng đa phương thức đã đồng đăng ký lớn nhất tính đến nay. Bộ dữ liệu có gần 2 triệu gói ô dữ liệu trên 11 phương thức và 2 thang đo không gian. Khoảng 1 triệu ảnh độ phân giải cao đến từ Narrow Angle Camera (NAC) với khoảng 1 mét mỗi pixel, còn gần 964.000 ảnh đa phổ đến từ Wide Angle Camera với 100 mét mỗi pixel.

Phần lớn dữ liệu đến từ 17 năm quan sát của Lunar Reconnaissance Orbiter (LRO). NASA cho biết khối lượng dữ liệu này còn vượt tổng dữ liệu của tất cả các sứ mệnh hành tinh khác của NASA cộng lại, và bộ dữ liệu cũng có thêm dữ liệu từ GRAIL, Lunar Prospector và đầu dò Kaguya/SELENE của JAXA.

Tổng cộng, bộ dữ liệu tập hợp hơn 30 lớp dữ liệu đã căn chỉnh theo không gian từ 9 thiết bị và 4 sứ mệnh. Để tránh rò rỉ giữa dữ liệu huấn luyện, kiểm định và kiểm tra, nhóm chia theo vùng bản đồ thay vì phân bổ ngẫu nhiên từng ô.

Model dựa trên TerraMind, nhưng nhóm huấn luyện từ đầu thay vì tinh chỉnh nó. Với mỗi ô, model nhận hình học chụp ảnh như một bối cảnh rõ ràng, gồm góc chiếu sáng, vị trí Mặt Trời và phạm vi ô. Nhóm cũng cho model học đồng thời ảnh độ phân giải cao và ảnh thô hơn trong một lần huấn luyện, còn FlexiViT giúp model thích ứng với các nhiệm vụ có kích thước mảnh ảnh khác nhau mà không cần huấn luyện lại.

Nhóm đã thử model cho phát hiện hố va chạm ở thang 100 mét và 1 mét, và cho dự đoán các mỏ băng ở hai cực. Model cũng được dùng để phân đoạn Irregular Mare Patches (IMPs).