新しい月面AI、氷に適した条件図の誤差を22％低減

月の写真、地形、温度、レーダー、化学組成を、問いごとに新しいアルゴリズムを作らずにどう統合するか。NASAとIBMは、再利用できる表現をあらかじめ学ぶ基盤モデルを公開した。研究チームは、クレーター、小さな火山地形、氷が保存されやすい条件などの地図作りに適応できる。モデル、整備済みデータ、コードはいずれも検証用に公開されている。

訓練には、ルナー・リコネサンス・オービターの広角カメラによる多波長画像を基準とした963,609組が使われた。解像度は1画素あたり約100メートルである。さらに、狭角カメラの約1メートル解像度の画像を基準とした1,000,113組も加えた。各組は同じ場所のデータ製品を位置合わせして束ねている。画像、地形、他の観測機器の情報、月面の見え方を大きく変える照明角度など、合計11種類の入力を扱った。

事前訓練後、研究者は同じ画像エンコーダーを四つの評価課題に適応した。二つの縮尺でのクレーター検出、不規則月海斑と呼ばれる小さな火山地形の領域分割、極域の氷有望度マップの再現である。月面モデルと比較モデルでは、データ、分割、変換、評価指標を同じにした。平均値は五つの乱数シードによる訓練から算出され、初期化だけで生じるばらつきも示している。

差が最も大きかったのは極域マップだった。大きなずれを強く罰し、低いほど良い二乗平均平方根誤差は、最良の比較モデルの0.0377 ± 0.0004から月面モデルの0.0293 ± 0.0013へ下がった。相対的に約22％の低下である。ただし、目標は環境の手掛かりから計算した有望度マップであり、観測された氷ではない。ラベル付きデータを半分だけ使った広域クレーター検出では、平均適合率が0.2313 ± 0.0027から0.2541 ± 0.0018へ上がった。メートル級クレーターと火山斑の課題では、差がシード間のばらつきより小さく、首位モデル同士は同等と判断された。

二つの設計が課題間の転用を助ける。照明の幾何を明示的に入力するため、影を地形の性質と取り違えにくい。また、解像度の異なる入力を別々のブロックとして保ち、その後で信号を結合する。極域の試験では、優位性の一部がこの入力整理から生じ、残りを月面データによる事前訓練がもたらした。設計要素ごとの寄与はまだすべて分離実験されていない。

今回の公開物は、大規模な資料の選別を速め、仮説を比較する道具であって、任務判断を任せられる自律地図作成装置ではない。絶対的な測地基準を持たず、高解像度の訓練範囲は特定地点に限られ、着陸地点の認証や危険判定には検証されていない。科学的価値は、外部チームが試験を再現し、観測機器と新しい正解データで、四つの評価データセット以外にも利点が続くか確かめられるかにかかっている。