NASA与IBM公司发布开源月球基础模型，用创新分割训练法攻克阴影难题，提升水冰与陨石坑识别精度。
在4月6日，宇航员Reid Wiseman、Christina Koch、Victor Glover和Jeremy Hansen搭乘阿耳弥斯2号完成历史性绕月飞行后，人类探索月球的脚步迈入了崭新阶段。为了给科学家提供更高效的研判工具，NASA(美国国家航空航天局)与IBM公司携手打造了一款全新的开源月球基础模型，并在Hugging Face网站公开供全球研究者下载使用。
月球表面的环境极为特殊，极大地增加了人工智能识别的难度。地球拥有丰富的大气层，能够散射阳光，让阴影边缘变得柔和；而月球处于真空状态，阴影如刀削般锋利且漆黑一片，被阴影遮挡的像素完全不包含任何有效信息。此外，太阳在不同时刻照射的角度不同，同一个撞击坑在不同时段的照片里看起来可能截然相反。传统的计算机视觉模型训练习惯于隐藏图像的90%，要求AI根据剩余的10%来还原全貌，但在地形高度相似的月球轨道图像上，这种传统方法完全失效。
面对这一困境，研究团队负责人Juan Bernabé-Moreno及其团队开发出了一种巧妙的切片训练法。研究人员像切橙子一样将月球划分为多个扇形区域，将训练集与测试集彻底隔离开来，成功赋予了模型极高的判断一致性。
在寻找月球表面水冰的测试中，该模型表现出色。对比融合了地形、热学及环境数据的传统科学流程地图，并与微软公司训练的视觉系统SwinV2-B进行对标，该模型的预测错误率大幅降低了23%。
在陨石坑的识别与分类测试中，新模型仅使用一半的训练数据，性能就超越了SwinV2-B模型19%。在8月5日太空探索技术公司的猎鹰9号火箭残骸撞击月球后，团队将撞击现场的最新图像喂给模型，模型在首次尝试中就精准识别出这是一个与既有撞击坑高度重叠的新坑，展现出了卓越的实时研判能力。
除了模型本身，这次合作还带来了一份弥足珍贵的基础资产。团队整合了来自NASA的月球勘测轨道飞行器、重力回溯及内部结构实验室以及日本月球探测器的数万张图像和仪器数据，构建了一个包含超过200万个对齐数据点的数据集。该数据集将每一个像素的图像数据与其他传感器模态精确对应，为全球科研界搭建起了前所未有的月球数据基座。
原文：https://www.engadget.com/2254569/nasa-ibm-ai-model-moon/