NASA и IBM представили открытую Lunar Foundation Model — модель, обученную на данных лунных миссий и предназначенную для адаптации к научным задачам. В технических результатах наиболее заметное преимущество показано на прогнозе возможных залежей льда в полярных областях: IBM сообщает о снижении ошибки до 22% по сравнению с лучшим из рассмотренных базовых методов. Это результат конкретного теста, а не подтверждение фактического наличия льда в предсказанных точках.
Модель и связанные материалы доступны на Hugging Face и GitHub; проект также интегрирован в открытый инструментарий TerraTorch. Для исследователей и разработчиков важна не только сама модель, но и подготовленный набор данных SomBench: он сводит наблюдения разных приборов и миссий к формату, пригодному для машинного обучения.
Данные четырёх миссий сведены в общий корпус
По описанию команды, SomBench содержит почти два миллиона наборов фрагментов изображений в 11 модальностях и на двух пространственных масштабах. В корпус вошли более 30 пространственно совмещённых слоёв данных девяти приборов с четырёх миссий. Основную часть составляют наблюдения Lunar Reconnaissance Orbiter (LRO), собиравшиеся на протяжении 17 лет; также использованы данные GRAIL, Lunar Prospector и японской миссии Kaguya/SELENE.
Сведение таких материалов — отдельная инженерная задача. Камеры и научные приборы измеряют разные свойства поверхности и работают с разным разрешением. Команда указывает, что в модели учитывается геометрия съёмки: положение Солнца, углы освещения и границы фрагмента. Для Луны это существенно, поскольку тени и освещение могут сильно менять вид поверхности на снимках, не отражая изменений её физических свойств.
Авторы обучили модель с нуля, используя подходы, связанные с TerraMind — мультимодальной моделью для наблюдения Земли, — но не просто адаптировали её веса для Луны. По техническому описанию, модель обрабатывает разные типы данных отдельными путями и объединяет изображения высокого и низкого разрешения. FlexiViT позволяет использовать модель для задач с разным размером патчей без отдельного переобучения под каждый масштаб.
На каких задачах показан выигрыш
Команда проверяла модель на обнаружении кратеров на двух масштабах, сегментации неправильных морских пятен (Irregular Mare Patches, IMP) и прогнозе полярных отложений льда. В тестах модель сравнивали с базовыми методами и контрольной версией той же архитектуры со случайной инициализацией. В техническом отчёте сказано, что предварительно обученная модель не уступила или превзошла базовые варианты на рассмотренных задачах.
Наиболее определённые цифры в предоставленных материалах относятся к двум сценариям. По данным IBM, ошибка прогноза отложений льда была до 22% ниже, чем у лучшего базового метода SwinV2-B. Для обнаружения кратеров на грубом масштабе IBM сообщает о преимуществе почти в 19%; этот результат получен при обучении на половине данных, использованных в соответствующем сравнении.
Эти проценты нельзя переносить на все задачи или считать универсальным показателем точности. На обнаружении кратеров с метровым разрешением и сегментации IMP результаты, согласно описанию испытаний, в целом сопоставимы с сильнейшими базовыми методами. Различия в этих задачах находились в пределах вариации между запусками. Поэтому заявление о преимуществе примерно на 3% в сегментации IMP не выглядит столь же устойчивым, как результат для прогноза льда.
Что модель не заменяет
Предсказание модели — способ выделить участки для дальнейшего изучения, а не прямое измерение состава поверхности. Авторы отдельно указывают, что система не подходит для определения абсолютного геодезического положения: в генеративных тестах широта и долгота иногда отклонялись на десятки градусов, а восстановленные формы рельефа могли иметь смещённые абсолютные высоты.
Есть и ограничения самого тестирования. Некоторые наборы для оценки невелики, а контролируемые эксперименты, которые позволили бы изолировать вклад отдельных архитектурных решений, ещё предстоят. Кроме того, контрольная модель со случайно заданными начальными весами обошла пять из семи базовых вариантов в задаче прогноза льда без предварительного обучения на лунных данных. Это подчёркивает, что итог зависит не только от предварительного обучения, но и от архитектуры, состава данных и выбранного протокола сравнения.
Что проверить перед использованием
Для команды, которая хочет воспроизвести результат или адаптировать модель, полезно начать с трёх проверок:
Сверить определения метрики, базового метода и тестовых разделов в техническом отчёте. Сравнение имеет смысл только при одинаковых данных и протоколе.
2. Проверить географическое разделение данных. По описанию SomBench, обучающую, проверочную и тестовую выборки разделяли по зонам карты, а не случайно перемешивали отдельные фрагменты. Это снижает риск утечки соседних участков между выборками.
3. Сравнить полную настройку модели с LoRA на своей задаче. Исследователи сообщают, что облегчённая настройка сохраняла сопоставимые результаты и была сильнее на обнаружении кратеров; это не гарантирует такого же эффекта на другом наборе.
Открытый релиз включает не только веса, но и код, наборы для предварительного обучения и бенчмарки. Это даёт специалистам возможность проверять переносимость модели и повторять сравнения, не ограничиваясь опубликованными процентами. Для практических научных выводов потребуются независимое воспроизведение, проверка на новых данных и подтверждение кандидатов физическими наблюдениями.
