Sztuczna inteligencja NASA i IBM przeanalizuje miliony zdjęć Księżyca

10 września 2026 roku NASA oraz IBM Research udostępniły NASA-IBM Lunar Foundation Model (LFM) – pierwszy tak zaawansowany, otwartoźródłowy model bazowy dedykowany badaniom Księżyca. Projekt, kierowany przez Kevina Murphy’ego oraz Michaela Barkera z NASA, powstał przy współpracy z IBM Research pod wodzą Juana Bernabé-Moreno oraz instytucji akademickich, takich jak SETI Institute czy Howard University. System wytrenowano na ogromnym, zunifikowanym zbiorze SomBench, obejmującym dwa miliony kafelków obrazów z misji Lunar Reconnaissance Orbiter (LRO). Dane te gromadzono przez ponad 17 lat, a ich łączna objętość przewyższa zasoby ze wszystkich innych misji planetarnych NASA razem wziętych. W procesie uczenia wykorzystano zdjęcia wysokiej rozdzielczości NAC (około 1 metra na piksel) oraz dane multispektralne WAC, uzupełnione o informacje grawitacyjne i topograficzne z misji GRAIL, Lunar Prospector oraz japońskiej sondy SELENE/Kaguya.

Model opiera się na architekturze ViT-B typu encoder-decoder z 12 warstwami transformera o wymiarowości 768. Mechanizm działania bazuje na metodzie masked-token modeling – algorytm uczy się przewidywać brakujące fragmenty danych, co pozwala mu zrozumieć głębokie korelacje między różnymi typami informacji bez konieczności wcześniejszego etykietowania zdjęć przez ludzi. LFM jest multimodalny, co oznacza, że przetwarza jednocześnie 11 różnych typów danych, w tym parametry optyczne, kąty oświetlenia i współrzędne geograficzne. Dzięki zastosowaniu techniki FlexiViT system radzi sobie z obrazami o różnych rozdzielczościach, a proces trenowania na 16 procesorach graficznych H100 trwał 150 tysięcy kroków. Podobnie jak wielkie modele językowe rozumieją strukturę składniową tekstu, tak LFM pojmuje przestrzenną i geologiczną strukturę powierzchni Księżyca.

Głównym celem wdrożenia modelu jest automatyzacja analizy petabajtów danych, która dotychczas wymagała żmudnej pracy manualnej lub tworzenia osobnych, wąsko wyspecjalizowanych algorytmów. NASA planuje wykorzystać LFM do precyzyjnego mapowania kraterów, co jest kluczowe dla wyznaczania bezpiecznych miejsc lądowania misji załogowych i dokładnego datowania wieku powierzchni. Testy wykazały, że model poprawia dokładność identyfikacji kraterów o 19% przy wykorzystaniu zaledwie połowy dostępnych danych treningowych. Równie istotne jest poszukiwanie lodu wodnego w stale zacienionych regionach polarnych – w tym obszarze LFM zredukował błąd prognoz o 23% względem dotychczasowych rozwiązań. Otwarty dostęp do modelu na platformach Hugging Face i GitHub umożliwi globalnej społeczności naukowej wsparcie programu Artemis, ułatwiając lokalizację zasobów niezbędnych do budowy przyszłych baz księżycowych oraz planowania wypraw w głębszy kosmos.