NASA-ն և IBM-ը թողարկել են լուսնային հետազոտություններում բազմակի կիրառման մոդել


Մոդելը սովորում է աշխարհագրորեն համադրված լուսնային դիտարկումներից, ապա հարմարեցվում հետազոտական խնդիրներին։ Սառույցի քարտեզների կանխատեսման հաղորդված բարելավումները սառույցի առկայության ֆիզիկական հաստատում չեն։
NASA-ն և IBM Research-ը գիտական հաստատությունների հետ համատեղ թողարկել են մոդել, որը սովորում է Լուսնի աշխարհագրորեն համադրված դիտարկումներից և այնուհետև կարող է հարմարեցվել հետազոտական տարբեր խնդիրների։ Թողարկման մասին հոկտեմբերի 4-ին հայտնել է The Decoder-ը։ Նպատակն է լուսնային դիտարկումների առատ տվյալներն օգտակար դարձնել այն դեպքերում, երբ պիտակավորված օրինակները՝ տվյալներ, որոնց համար ցանկալի պատասխանն արդեն նշված է, սակավ են։
NASA-IBM Lunar Foundation Model-ն գերբանականության հիմնային մոդել է․ միայն մեկ խնդրի համար ուսուցանվելու փոխարեն այն նախ օրինաչափություններ է սովորում մեծ ծավալի չպիտակավորված տվյալներից։ Հետազոտողները կարող են այնուհետև պիտակավորված օրինակներով այն հարմարեցնել խառնարաններ հայտնաբերելու, հրաբխային գոյացությունների սահմանները գծելու կամ բևեռներում հնարավոր սառույցի քարտեզները կանխատեսելու համար։ Սառույցի այդ կանխատեսումները դրա առկայության ֆիզիկական հաստատում չեն։
Թիմը մոդելը զրոյից ուսուցանել է SomBench-ի հիման վրա։ Սա քարտեզագրված փոքր հատվածներին վերաբերող տվյալների մոտ երկու միլիոն փաթեթից կազմված հավաքածու է։ Այն միավորում է դիտարկումների 11 տեսակ՝ տարածական երկու մասշտաբով, և պարունակում է աշխարհագրորեն համադրված ավելի քան 30 տվյալաշերտ՝ չորս առաքելությունների ինը սարքերից։ Համադրումը մոդելին թույլ է տալիս սովորել Լուսնի նույն տարածքի տարբեր չափումների միջև կապերը։
Հավաքածուի մեծ մասը կազմված է Lunar Reconnaissance Orbiter-ի 17 տարվա դիտարկումներից։ Մյուս առաքելություններն ավելացնում են այլ չափումներ․ GRAIL-ը տրամադրում է ձգողականության տվյալներ, Lunar Prospector-ը՝ ջրածնի դիտարկումներ, իսկ ճապոնական Kaguya/SELENE զոնդը՝ հանքանյութերի մասին տեղեկություններ։ Մոդելը միաժամանակ սովորում է բարձր և ավելի ցածր լուծաչափով պատկերներից՝ ստանալով թե՛ մանրամասներ, թե՛ ավելի լայն տարածքի պատկերը։
Թիմն ուսուցման, վավերացման և փորձարկման տվյալները բաժանում է ըստ քարտեզի աշխարհագրական գոտիների, ոչ թե առանձին հատվածները պատահականորեն բաշխելով։ Այդպիսով նույն գոտու դիտարկումները չեն հայտնվում տարբեր հավաքածուներում։ Սա նվազեցնում է վտանգը, որ փորձարկման լավ արդյունքը կարտացոլի տարածքին արդեն ծանոթ լինելը, այլ ոչ թե դեռ չտեսած տարածքներում մոդելի աշխատանքի որակը։
Լուսավորությունը մեծապես ազդում է Լուսնի մակերևույթի տեսքի վրա։ Ուստի յուրաքանչյուր հատվածի տվյալները ներառում են հստակ տեղեկություններ լուսավորման անկյունների, Արեգակի դիրքի և հատվածի ընդգրկած տարածքի մասին։ Մոդելն այդ տեղեկություններն ստանում է անմիջապես՝ լուսավորության պայմանները միայն պատկերի պիքսելներից ենթադրելու փոխարեն։
Նախնական ուսուցման ընթացքում մոդելը պատկերները, բարձրության տվյալները և նկարահանման երկրաչափությունը բաժանում է փոքր կոդավորված միավորների՝ տոկենների։ Թաքցված մասերը կանխատեսելով՝ այն սովորում է դրանց միջև կապերը։ Թեև մոդելի կառուցվածքը հիմնված է Երկրի դիտարկման TerraMind մոդելի վրա, լուսնային մոդելն ուսուցանվել է զրոյից, այլ ոչ թե հարմարեցվել TerraMind-ի ուսուցմամբ ստացված պարամետրերից։
Հետազոտական առանձին խնդիրների համար թիմը համեմատել է ամբողջական լրացուցիչ ուսուցումը, որի ընթացքում փոփոխվում են մոդելի բոլոր պարամետրերը, և LoRA-ն՝ ավելի թեթև մեթոդ, որով ուսուցանվում է դրանց միայն մի մասը։ Հետազոտողների հաղորդմամբ՝ LoRA-ն ընդհանուր առմամբ մրցունակ էր և ավելի լավ էր հայտնաբերում խառնարանները, մինչդեռ ամբողջական լրացուցիչ ուսուցումն ավելի լավ արդյունք է տվել երկու ամենափոքր խնդիրներում։
Վերլուծություն
Հաղորդված ամենամեծ բարելավումը վերաբերում է բևեռներում հնարավոր սառույցի բաշխման հենակետային քարտեզների կանխատեսմանը։ Մշտապես ստվերում գտնվող բևեռային տարածքները կարող են այնքան սառը մնալ, որ ջրային սառույցը պահպանվի միլիարդավոր տարիներ։ IBM-ի հաղորդմամբ՝ մոդելը կանխատեսման սխալը նվազեցրել է մինչև 22 տոկոսով՝ համեմատած այդ փորձարկման ամենաուժեղ համեմատական մոդելի՝ SwinV2-B-ի հետ։ Այս ցուցանիշը չափում է սառույցի բաշխման քարտեզների հետ համապատասխանությունը, ոչ թե սառույցի անմիջական հայտնաբերումը։
| Խնդիր | Արդյունքը և վերապահումը |
|---|---|
| Բևեռային սառույցի քարտեզների կանխատեսում | IBM-ի հաղորդմամբ՝ կանխատեսման սխալը մինչև 22%-ով փոքր է SwinV2-B-ի համեմատ։ |
| Խառնարանների հայտնաբերում՝ 100 մետր մասշտաբով | IBM-ի հաղորդմամբ՝ տվյալների միայն կեսով ուսուցանվելիս արդյունքը գրեթե 19%-ով ավելի լավ է SwinV2-B-ի համեմատ։ |
| Խառնարանների հայտնաբերում՝ 1 մետր մասշտաբով | Արդյունքը մոտավորապես հավասար է ամենաուժեղ համեմատական մոդելների արդյունքներին․ տարբերությունները չեն գերազանցել ուսուցման տարբեր գործարկումների միջև տատանումները։ |
| Լուսնային ծովերի անկանոն տեղամասերի (Irregular Mare Patches)՝ երիտասարդ հրաբխային գոյացությունների սահմանների գծում | Արդյունքը մոտավորապես հավասար է ամենաուժեղ համեմատական մոդելների արդյունքներին։ SwinV2-B-ի նկատմամբ IBM-ի հայտարարած 3% առավելությունը չի գերազանցել ուսուցման տարբեր գործարկումների միջև տատանումները։ |
Բարելավումները միայն լուսնային դիտարկումներից նախապես սովորելու արդյունք չեն։ Նույն կառուցվածքով, բայց լուսնային տվյալներով նախնական ուսուցում չանցած վերահսկիչ մոդելը սառույցի կանխատեսման մեջ գերազանցել է համեմատվող յոթ մոդելներից հինգին։ Հետազոտողներն այս առավելության մի մասը վերագրում են նրան, որ մոդելը յուրաքանչյուր տվյալաշերտ մշակում է առանձին, այլ ոչ թե բոլոր մուտքային տվյալները միավորում շերտերով, ինչպես համեմատվող մոդելները։
Հետազոտությունը պարզել է, որ մոդելը պիտանի չէ Լուսնի վրա ճշգրիտ բացարձակ դիրքերը որոշելու համար։ Գեներացման փորձարկումներում լայնությունն ու երկայնությունը որոշ դեպքերում սխալ են եղել տասնյակ աստիճաններով։ Մոդելը նաև կարող էր վերարտադրել ռելիեֆի գոյացությունների ձևը՝ միաժամանակ շեղելով դրանց բացարձակ բարձրությունները։ Հեղինակներն այն նկարագրում են որպես հետազոտական խնդիրների համար բազմակի օգտագործման մեկնակետ, ոչ թե ֆիզիկական չափման սարքերի փոխարինող։
Փորձարկման որոշ տվյալների հավաքածուներ փոքր են։ Կառուցվածքի յուրաքանչյուր փոփոխության ներդրումն առանձին գնահատող վերահսկվող փորձերը դեռ չեն իրականացվել, ուստի առայժմ պարզ չէ, թե յուրաքանչյուր նորամուծություն որքանով է նպաստում հաղորդված արդյունքներին։
Հետազոտողներին մոդելը հասանելի է Hugging Face-ում, իսկ դրա կոդը՝ GitHub-ում։ Այն նաև ներառված է բաց կոդով TerraTorch գործիքակազմում։ Թիմը հրապարակել է մեքենայական ուսուցման համար պատրաստ նախնական ուսուցման տվյալների և համեմատական փորձարկումների հավաքածուները՝ մյուսներին հնարավորություն տալով հարմարեցնել մոդելը և գնահատել այն լուսնային այլ խնդիրներում։
Ներառված է «Շաբաթը տեխնոլոգիայում» ամփոփագրում՝ 2026 թ․ սեպտեմբերի 28 – հոկտեմբերի 4

Նախնական տվյալներով՝ Անգլիայում ութ ամսում գրանցված հրդեհների թիվը զիջում է միայն 2022 թվականի ամբողջ տարվա ռեկորդին։ Գրանցվել է նաև բնական տարածքների հրդեհից առաջին մահը՝ 2010-ից սկսվող տվյալների շարքում։
5 րոպե

Ֆաունթինս աբբայությունում հնարավոր փոփոխություններից են ջրահեռացման համակարգի թողունակության մեծացումն ու այգիների պակաս մանրակրկիտ հարդարումը։ National Trust-ի գնահատմամբ՝ գուցե հնարավոր չլինի ամեն ինչ պահպանել ներկայիս տեսքով։

Ուսումնասիրությունը Նեպալի և Չինաստանի տվյալներով քննում է օգոստոսի 26-ի փլուզումն ու դրան նախորդած ավելի թույլ ազդանշանները։ Հետազոտողները պարզում են՝ արդյոք այդ ազդանշանները կարող են օգնել հայտնաբերել անկայուն լանջերը։