Модель NASA и IBM размечает Луну на 23% точнее — код уже открыт
Независимая публикация Live Science от 10 сентября 2026 года описывает выпуск NASA-IBM Lunar Foundation Model — открытой базовой модели ИИ, которая сводит разномасштабные орбитальные наблюдения для анализа поверхности Луны. Систему можно дообучать для картирования кратеров, вулканических образований и районов с условиями, подходящими для сохранения полярного льда.
В опубликованной IBM разбивке результатов общий заявленный максимум составляет до 23% относительно распространённых методов: ошибка прогноза перспективности льда снижалась до 22%, при распознавании кратеров контекстного масштаба преимущество приближалось к 19% при использовании половины обучающей разметки, а охват неправильных участков лунных морей улучшался на 3%. Поэтому число из заголовка — верхняя граница нескольких разных испытаний, а не единый показатель точности модели на всей Луне.
Что вошло в открытый выпуск
NASA-IBM Lunar Foundation Model — предварительно обученная основа, а не законченный лунный атлас. Вместо разработки отдельной нейросети с нуля исследователь может адаптировать её к конкретной задаче на сравнительно небольшом наборе размеченных примеров.
В выпуск включены веса модели, конфигурация, подготовленные данные и контрольные наборы для прикладной оценки. Поддерживаются задачи регрессии, когда система прогнозирует числовую перспективность льда, сегментации вулканических участков и обнаружения кратеров на орбитальных снимках.
Модель интегрирована с открытым инструментарием TerraTorch. Это позволяет запускать дообучение и оценку в общей программной среде, сравнивать конфигурации и проверять, насколько результат зависит от выбранных входных каналов.
Какие лунные данные объединила модель
Главное отличие проекта — совместная обработка наблюдений, которые ранее существовали в разных масштабах и описывали разные физические свойства поверхности. В набор вошли материалы Lunar Reconnaissance Orbiter, GRAIL, Lunar Prospector и японской миссии SELENE, также известной как Kaguya.
Высокодетальные камеры показывают форму небольших объектов, а обзорные и мультиспектральные слои дают более широкий контекст. К ним добавлены сведения о высоте, уклоне и направлении склонов, ультрафиолетовой отражательной способности, температурных свойствах, минералогии и гравитационных аномалиях.
Во время предварительного обучения части входных данных скрывались, после чего система пыталась восстановить их по оставшимся каналам. Так модель училась находить связи между внешним видом участка, рельефом и геофизическими характеристиками, а не только распознавать знакомые контуры на обычной фотографии.
Отдельно учитывались углы освещения и положение космического аппарата. Для Луны это существенно: глубокая тень способна скрыть небольшой кратер или создать границу, похожую на реальную форму рельефа.
Где именно получено преимущество
Самый заметный подробно раскрытый результат относится к оценке перспективности полярного льда. Это задача регрессии: модель воспроизводит значения эталонной карты, а качество измеряется среднеквадратической ошибкой. Снижение такой ошибки нельзя переводить напрямую в долю правильно найденных залежей.
В тестах на кратерах результат зависел от масштаба. На обзорных данных модель превзошла базовую архитектуру SwinV2-B при меньшем объёме обучающей разметки, тогда как на детальных снимках метрового масштаба показала сопоставимое качество с сильными специализированными решениями.
Ещё одна задача — сегментация неправильных участков лунных морей, редких геологических структур, связываемых с относительно молодой вулканической активностью. Здесь оценивалось, насколько полно модель очерчивает протяжённость объекта по несовершенной исходной разметке. Результат нельзя автоматически переносить ни на кратеры, ни на ледяную перспективность: у задач разные цели, данные и метрики.
Почему прогноз не является картой залежей льда
Модель выделяет районы с признаками, благоприятными для сохранения льда. Она ищет статистические связи между рельефом, освещением, температурными и другими орбитальными наблюдениями, а затем сопоставляет участок с картой перспективности.
Такой расчёт не устанавливает наличие воды в конкретной точке. Он не определяет подтверждённые концентрацию, глубину, объём или физическую доступность предполагаемого льда. Сходный сигнал может возникать из-за сочетания нескольких свойств поверхности, не равнозначного реальной залежи.
Особенно осторожно следует читать результат для постоянно затенённых полярных областей. Оптические наблюдения там ограничены, а модель по-прежнему зависит от состава обучающих и контрольных данных. Её вывод помогает сузить область дальнейшего поиска, но не заменяет независимое дистанционное измерение, бурение или анализ вещества на месте.
Где находится код и чего в репозитории нет
Публичный репозиторий NASA-IMPACT содержит пакет модели, интеграцию с TerraTorch, примеры, конфигурации дообучения и оценки, а также переходы к весам и прикладным наборам данных на Hugging Face. В документации прямо указано, что исходный код предварительного обучения не включён.
Это ограничивает воспроизводимость: независимая группа может проверить готовую модель и повторить прикладные эксперименты, но не полностью воссоздать базовую систему с нуля только по содержимому репозитория. Открытый выпуск также сам по себе не доказывает устойчивость результатов на территориях, типах съёмки и условиях освещения, отсутствовавших в контрольных выборках.
На текущем этапе NASA-IBM Lunar Foundation Model следует считать проверяемой исследовательской основой для лунного картографирования. Следующие существенные данные должны показать, сохраняется ли преимущество на независимой разметке и новых наблюдениях; до прямого подтверждения вещества её полярный результат остаётся прогнозом перспективности, а не картой обнаруженных запасов.
Читайте также:
Подпишитесь на рассылку
Получайте свежие новости Web3, AI и криптовалют прямо на вашу почту.