ناسا در ۱۰ سپتامبر ۲۰۲۶ اعلام کرد مدل پایهٔ هوش مصنوعی ناسا–آی‌بی‌ام برای علم ماه را منتشر کرده است. این یکی از نخستین مدل‌های متن‌باز هوش مصنوعی است که مخصوص علم ماه ساخته شده و عمدتاً با داده‌های مدارگرد شناسایی ماه (LRO) آموزش دیده است. نسخهٔ عمومی روی Hugging Face میزبانی می‌شود و کد کامل برای آزمایش و توسعه روی GitHub در دسترس است.
هدف اعلام‌شده، سریع‌تر کردن تحلیل حجم بزرگ دادهٔ سطح ماه است تا پژوهشگران نقشهٔ سطح ناهموار، گذشتهٔ زمین‌شناختی و برنامه‌های پژوهشی آینده را راحت‌تر بررسی کنند. کوین مورفی، مسئول ارشد دادهٔ علمی ناسا، گفته جمع‌آوری داده فقط بخشی از کار است؛ باید داده را برای کاوش دانشمندان آسان‌تر کرد. او این مدل را نمونه‌ای از تبدیل پتابایت‌های دادهٔ علمی به امکان کشف تازه دانسته است.
آموزش با دادهٔ LRO
برخلاف مدل‌های سنتی که برای هر وظیفه از صفر آموزش می‌بینند، مدل‌های پایه روی مجموعه‌های بزرگ و بدون برچسب از پیش آموزش می‌بینند و با تنظیم ظریف به چند حوزه تعمیم می‌یابند. دادهٔ حدود ۱۷ سال مأموریت LRO برای این کار مناسب اعلام شده؛ پوشش تقریباً یکپارچه و با تفکیک بالا از سطح ماه، حجمی بزرگ‌تر از مجموع سایر مأموریت‌های سیاره‌ای ناسا دارد.
مدل روی حدود ۲ میلیون کاشی تصویری آموزش دیده است؛ شامل بیش از ۱ میلیون تصویر دوربین با تفکیک یک‌متری و نزدیک به ۹۶۴ هزار تصویر چندطیفی با تفکیک ۱۰۰ متری. افزون بر LRO، تصاویر و دادهٔ توپوگرافی مأموریت‌هایی مثل GRAIL، Lunar Prospector و SELENE ژاکسا هم در آموزش به‌کار رفته است.
دهانه، یخ قطبی و پچ‌های نامنظم ماری
چون مدل از پیش آموزش دیده، دانشمندان سیاره‌ای می‌توانند با مقدار کمی دادهٔ برچسب‌دار آن را برای وظایف مختلف سازگار کنند؛ از جمله نقشه‌برداری دهانه‌ها، شناسایی عوارض آتشفشانی جوان معروف به پچ‌های نامنظم ماری، و برآورد محل‌هایی که یخ نزدیک قطب‌ها ممکن است پایدار بماند. در مناطق همیشه در سایه، دما آن‌قدر پایین است که یخ تا میلیاردها سال حفظ شود؛ مطالعهٔ این نواحی هم به تاریخ ماه مربوط است و هم به نقشه‌برداری منابع بالقوه برای اکتشاف آینده.
نقشه‌برداری دهانه برای تاریخ‌گذاری سطح اهمیت دارد؛ مدل می‌تواند شناسایی و اندازه‌گیری دهانه‌ها را نسبت به روش دستی سریع‌تر کند. در ارزیابی‌ها، مدل با چند مدل پایهٔ قوی مقایسه شده و در نقشه‌برداری دهانه و قطعه‌بندی پچ‌های نامنظم ماری نتایج هم‌سطح یا بهتر داشته و در برآورد پایداری یخ قطبی برتری واضحی نشان داده است. در یک آزمون، مدل دهانه‌های موجود و یک دهانهٔ تازهٔ ناشی از برخورد بدنهٔ راکت را هم تشخیص داد؛ تصویری که پس از برخورد در پیش‌آموزش نبوده و نشان می‌دهد با تنظیم ظریف می‌توان تغییرات سطحی تازه را در مجموعه داده‌های بزرگ ردیابی کرد.
جایگاه در همکاری ناسا و آی‌بی‌ام
این مدل بخشی از همکاری گسترده‌تر ناسا و آی‌بی‌ام در هوش مصنوعی برای علم است و کنار خانوادهٔ مدل‌های Prithvi (مشاهدهٔ زمین) و مدل Surya (هلیوفیزیک و آب‌وهوای فضایی) قرار می‌گیرد. تیم Impact AI در مرکز پرواز فضایی مارشال با بخش سیاره‌ای ناسا، مرکز گودارد و مرکز ایمز همکاری کرده است. مجموعهٔ دادهٔ آمادهٔ یادگیری ماشین، بنچمارک‌ها و یکپارچگی با جعبهٔ ابزار متن‌باز TerraTorch هم منتشر شده و مقالهٔ همراه روی Hugging Face در دسترس است.
ارقام و نقل‌قول‌های این گزارش از صفحهٔ رسمی NASA Science در ۱۰ سپتامبر ۲۰۲۶ گرفته شده است.
آیا انتشار متن‌باز مدل‌های پایهٔ فضایی را بیشتر برای پژوهش دانشگاهی مفید می‌دانید یا برای برنامه‌ریزی اکتشاف؟
