新月球人工智能在冰稳定条件图上的误差降低约22%

怎样把月球照片、地形、温度、雷达和化学组成数据结合起来，又不必为每个问题重新设计一种算法？NASA与IBM发布了一个基础模型，也就是先学习可重复使用表征、再适配具体任务的预训练系统。研究团队可以把它用于陨石坑制图、小型火山地貌识别或判断有利于冰长期保存的条件。模型、整理后的数据和代码都已开放测试。

训练数据包括963,609组以月球勘测轨道飞行器广角相机多光谱图像为基准的数据，分辨率约为每像素100米；还包括1,000,113组以窄角相机图像为基准的数据，分辨率约为每像素1米。每组数据把同一区域的产品配准在一起。系统总共接收11种模态，包括图像、地形和其他仪器的背景信息，以及会显著改变月表外观的照明角度。

预训练后，研究人员把同一个视觉编码器适配到四项基准：两种尺度的陨石坑检测、名为不规则月海斑的小型火山地貌分割，以及极区冰远景评价图的复现。月球模型与对照架构使用相同的数据、划分、变换和指标。结果是五个训练随机种子的平均值，因此也能显示仅由初始化造成的波动。

最大的差距出现在极区地图上。均方根误差会对较大偏差施加更重惩罚，数值越低越好；最佳对照模型为0.0377 ± 0.0004，月球模型降至0.0293 ± 0.0013，相对下降约22%。不过，目标是根据环境线索计算出来的远景评价图，而不是观测到的冰。使用一半标注数据进行广域陨石坑检测时，平均精度从0.2313 ± 0.0027提高到0.2541 ± 0.0018。米级陨石坑和火山斑分割中，领先结果被视为相当，因为差距小于不同随机种子之间的波动。

两项设计有助于模型在任务之间迁移。系统把照明几何作为明确输入，避免把阴影误当成地形属性；它还先把不同分辨率的输入保留在各自的数据块中，再组合信号。在极区测试里，优势的一部分来自这种模态组织方式，月球预训练贡献了其余增益。作者尚未通过实验完全分离架构中每一项设计的作用。

这次发布提供的是比较假设和加快大型档案初筛的工具，而不是可以自主作出任务决定的制图系统。模型没有绝对大地测量参考，高分辨率训练覆盖只限于部分地点，也没有通过着陆认证或危险清除用途的验证。它的科学价值取决于外部团队能否复现实验，并用仪器和新标注检验这些优势能否延伸到四个已评估数据集之外。