NASA และ IBM เปิดตัวโมเดล AI โอเพนซอร์ส ปฏิวัติการวิจัยดวงจันทร์

Image description

NASA-IBM Lunar Foundation Model เปลี่ยนข้อมูลการสังเกตการณ์ดวงจันทร์หลายทศวรรษให้เป็นชุดข้อมูลสำหรับ Machine Learning โดยมีความโดดเด่นเป็นพิเศษในการพยากรณ์แหล่งสะสมน้ำแข็งบริเวณขั้วดวงจันทร์และการตรวจจับหลุมอุกกาบาต

Kevin Murphy หัวหน้าเจ้าหน้าที่ข้อมูลวิทยาศาสตร์ของ NASA ระบุว่า ตลอดหลายทศวรรษที่ผ่านมา NASA ได้เก็บรวบรวมบันทึกทางวิทยาศาสตร์ของดวงจันทร์ไว้มากมาย แต่การจัดเก็บเป็นเพียงส่วนหนึ่งเท่านั้น สิ่งสำคัญคือการทำให้ข้อมูลเหล่านั้นเข้าถึงและใช้งานได้ง่ายสำหรับนักวิทยาศาสตร์ ล่าสุด NASA และ IBM Research พร้อมด้วยสถาบันการศึกษาหลายแห่ง จึงได้เปิดตัว NASA-IBM Lunar Foundation Model ซึ่งถือเป็นหนึ่งในโมเดลพื้นฐาน (Foundation Models) แบบโอเพนซอร์สรุ่นแรกๆ สำหรับวิทยาศาสตร์ดวงจันทร์โดยเฉพาะ

จุดเด่นของโมเดลพื้นฐานนี้คือการถูกฝึกฝนล่วงหน้า (Pretrained) บนข้อมูลมหาศาลที่ไม่มีการติดป้ายกำกับ (Unlabeled data) ซึ่งแตกต่างจากอัลกอริทึมทั่วไปที่เจาะจงเฉพาะงาน ทำให้สามารถนำไปปรับใช้กับงานเฉพาะทางได้โดยใช้ตัวอย่างข้อมูลเพียงเล็กน้อย ทีมงานเชื่อว่าวิธีนี้จะเป็นประโยชน์อย่างยิ่งต่อการวิจัยดวงจันทร์ที่แม้จะมีข้อมูลการสังเกตการณ์มหาศาล แต่ยังขาดแคลนข้อมูลที่ผ่านการติดป้ายกำกับเพื่อนำมาวิเคราะห์

ชุดข้อมูลเกือบ 2 ล้านชุดจากการสังเกตการณ์ 17 ปี

ทีมงานได้ฝึกฝนโมเดลผ่าน SomBench ซึ่งเป็นคลังข้อมูลดวงจันทร์แบบต่อเนื่องหลายรูปแบบ (Multimodal) ที่ใหญ่ที่สุดในปัจจุบัน ประกอบด้วยชุดข้อมูลเกือบ 2 ล้านชุดใน 11 รูปแบบ โดยมีภาพความละเอียดสูงประมาณ 1 ล้านภาพจาก Narrow Angle Camera (NAC) และภาพมัลติสเปกตรัมเกือบ 964,000 ภาพจาก Wide Angle Camera (WAC)

แหล่งข้อมูลหลักมาจากภารกิจ Lunar Reconnaissance Orbiter (LRO) ที่เก็บข้อมูลมานานกว่า 17 ปี ซึ่งมีปริมาณมากกว่าภารกิจดาวเคราะห์อื่นๆ ของ NASA รวมกัน นอกจากนี้ยังเสริมด้วยข้อมูลจากภารกิจ GRAIL, Lunar Prospector และยาน Kaguya/SELENE ของ JAXA เพื่อให้ครอบคลุมทั้งข้อมูลแรงโน้มถ่วง ไฮโดรเจน และวิทยาแร่

ชุดข้อมูลทั้งหมดรวบรวมจากเครื่องมือ 9 ชนิดผ่าน 4 ภารกิจ โดยมีการแบ่งข้อมูลตามเขตภูมิศาสตร์แทนการสุ่ม เพื่อป้องกันการรั่วไหลของข้อมูล (Leakage) ระหว่างขั้นตอนการฝึกฝน การตรวจสอบ และการทดสอบโมเดล

โมเดลที่เข้าใจสภาวะแสงแทนการคาดเดา

โมเดลนี้พัฒนาต่อยอดมาจาก TerraMind ซึ่งเป็นโมเดลสังเกตการณ์โลก แต่มีการฝึกฝนใหม่ทั้งหมดสำหรับข้อมูลดวงจันทร์ โดยจะได้รับข้อมูลเรขาคณิตของภาพ (Imaging geometry) เช่น มุมแสงและตำแหน่งดวงอาทิตย์เป็นบริบทโดยตรง เนื่องจากสภาวะแสงบนดวงจันทร์มีผลต่อลักษณะพื้นผิวมากกว่าคุณสมบัติจริง ทีมวิจัยจึงป้อนข้อมูลเหล่านี้ให้โมเดลประมวลผลแทนการปล่อยให้โมเดลคาดเดาจากพิกเซลเพียงอย่างเดียว

Diagram of the model architecture with four columns showing modalities like NAC and WAC optical data, elevation models, slope, aspect, UV, metadata, and static maps on the left, modality-wise tokenization in the middle, correlation learning with encoder and decoder, and downstream applications including multimodal generation, multimodal fine-tuning, and FlexiViT fine-tuning on the right.

นอกจากนี้ โมเดลยังสามารถเรียนรู้จากภาพความละเอียดสูงและต่ำได้พร้อมกันในรอบเดียว ทำให้มองเห็นทั้งรายละเอียดเล็กน้อยและบริบทกว้างๆ โดยใช้เทคนิค FlexiViT ที่ช่วยให้โมเดลปรับตัวเข้ากับงานที่มีขนาดชิ้นส่วนภาพ (Patch sizes) ต่างกันได้โดยไม่ต้องฝึกฝนใหม่

โดดเด่นที่สุดในการพยากรณ์แหล่งน้ำแข็ง

จากการทดสอบในหลายภารกิจ เช่น การตรวจจับหลุมอุกกาบาตและการจำแนกภูเขาไฟแบบ Irregular Mare Patches (IMPs) พบว่าโมเดลทำผลงานได้ดีกว่าหรือเทียบเท่ากับโมเดลมาตรฐานทั่วไปตามรายงาน technical report

Two polar maps of the Moon with four highlighted regions on the left, and three rows of color-coded prospectivity maps from blue to yellow on the right, comparing reference data with predictions from a ConvNeXt model and the NASA-IBM model for ice probability at the lunar poles.

ความสำเร็จที่สำคัญที่สุดคือการพยากรณ์แหล่งสะสมน้ำแข็งในบริเวณเงามืดถาวรที่ขั้วดวงจันทร์ ซึ่งเป็นทรัพยากรสำคัญสำหรับออกซิเจนและเชื้อเพลิงในอนาคต โดยโมเดลนี้สามารถลดความคลาดเคลื่อนในการพยากรณ์ลงได้ถึง 22 เปอร์เซ็นต์ เมื่อเทียบกับเกณฑ์มาตรฐานที่ดีที่สุดอย่าง SwinV2-B

Four lunar surface images with green boxes marking ground-truth craters and blue boxes marking detected craters. Top row shows two WAC images with a rille and few craters, bottom row shows two NAC images with densely distributed small craters. The NASA-IBM model is on the left, SwinV2-B on the right.

สำหรับการตรวจจับหลุมอุกกาบาต โมเดลมีประสิทธิภาพเหนือกว่า SwinV2-B ถึง 19 เปอร์เซ็นต์ แม้จะใช้ข้อมูลในการฝึกเพียงครึ่งเดียว ซึ่งสะท้อนว่าโมเดลต้องการข้อมูลติดป้ายกำน้อยลงแต่ยังให้ผลลัพธ์ที่แม่นยำสูง

การจัดการข้อมูลที่มีประสิทธิภาพ

นักวิจัยพบว่าข้อได้เปรียบส่วนหนึ่งมาจากการที่โมเดลกำหนดเส้นทางการประมวลผลเฉพาะสำหรับข้อมูลแต่ละชั้น แทนการจัดการแบบช่องข้อมูลซ้อนกัน (Stacked channels) เหมือนโมเดลทั่วไป

Grid of four NAC lunar surface images showing bright, irregularly shaped patches in the top row, with three rows below comparing segmentation results from Swin V2, ConvNeXt, and the NASA-IBM model, each showing green reference areas and purple prediction outlines.

ในการทดสอบจำแนก IMP และหลุมอุกกาบาตระดับเมตร โมเดลทำผลงานได้ใกล้เคียงกับเกณฑ์มาตรฐานที่แข็งแกร่งที่สุด โดยเทคนิคการปรับจูนแบบ LoRA ซึ่งใช้พารามิเตอร์น้อยกว่า สามารถทำผลงานได้เทียบเท่ากับการปรับจูนแบบเต็มรูปแบบในเกือบทุกด้าน

เครื่องมือวิเคราะห์ที่ไม่ใช่การแทนที่การวัดจริง

Juan Bernabé-Moreno ผู้อำนวยการ IBM Research Europe กล่าวว่าโมเดลนี้ช่วยเชื่อมโยงข้อมูลจากเครื่องมือที่หลากหลายและเผยให้เห็นรูปแบบที่มองเห็นได้ยาก อย่างไรก็ตาม งานวิจัยระบุว่าโมเดลนี้ไม่เหมาะสำหรับการระบุพิกัดทางภูมิศาสตร์สัมบูรณ์ เนื่องจากยังมีความคลาดเคลื่อนของค่าละติจูดและลองจิจูดในบางกรณี

ผู้พัฒนาเน้นย้ำว่านี่คือ "รากฐาน" สำหรับต่อยอดงานวิจัย ไม่ใช่เครื่องมือที่จะมาแทนที่การวัดค่าทางกายภาพจริง โดยขณะนี้การทดลองเพื่อแยกส่วนพัฒนานวัตกรรมในแต่ละจุดยังคงดำเนินอยู่

ส่วนหนึ่งของครอบครัวโมเดล AI เพื่อวิทยาศาสตร์

โมเดลนี้เปิดให้ใช้งานแล้วบน Hugging Face และ GitHub โดยเป็นส่วนหนึ่งของความร่วมมือ "AI for Science" ระหว่าง NASA และ IBM ที่เริ่มต้นมาตั้งแต่ปี 2022

ก่อนหน้านี้ทั้งสององค์กรได้เปิดตัว โมเดล Prithvi สำหรับวิจัยสภาพภูมิอากาศบนแพลตฟอร์ม Watsonx platform ขณะที่ Google Deepmind ก็กำลังพัฒนาแนวทางที่คล้ายกันในชื่อ AlphaEarth Foundations เพื่อสร้างแผนที่จำลองโลกเสมือนจริง