NASA × IBM เปิดโมเดลรากฐานดวงจันทร์โอเพนซอร์ส จากข้อมูล 17 ปี

NASA และ IBM Research ร่วมกับสถาบันวิชาการหลายแห่ง เปิด "NASA-IBM Lunar Foundation Model" ซึ่งทีมงานระบุว่าเป็นหนึ่งในโมเดลรากฐานโอเพนซอร์สตัวแรก ๆ สำหรับวิทยาศาสตร์ดวงจันทร์

🌘 ข้อมูลที่ใช้ฝึก:

• ฝึกจากศูนย์บน SomBench ชุดข้อมูลดวงจันทร์แบบหลายรูปแบบ (multimodal) ที่จัดพิกัดตรงกันใหญ่สุดเท่าที่มี — เกือบ 2 ล้าน tile bundle, 11 modality และ 2 ระดับความละเอียด
• ภาพความละเอียดสูงประมาณ 1 ล้านภาพจากกล้อง Narrow Angle Camera (NAC) ที่ราว 1 เมตรต่อพิกเซล
• ภาพ multispectral เกือบ 964,000 ภาพจากกล้อง Wide Angle Camera (WAC) ที่ 100 เมตรต่อพิกเซล
• รวมกว่า 30 เลเยอร์ที่จัดแนวพิกัดเดียวกัน จาก 9 เครื่องมือใน 4 ภารกิจ: LRO (ข้อมูล 17 ปี), GRAIL (สนามแรงโน้มถ่วง), Lunar Prospector (ไฮโดรเจน) และ Kaguya/SELENE ของ JAXA (แร่)
• ปริมาณข้อมูลของ LRO มากกว่าภารกิจดาวเคราะห์อื่นของ NASA รวมกันทั้งหมด

🔬 จุดที่ฉลาดกว่าเดิม:

• สถาปัตยกรรมต่อยอดจาก TerraMind โมเดลสำรวจโลก แต่ฝึกใหม่ทั้งหมดแทนการ fine-tune
• ป้อน "imaging geometry" ให้โมเดลโดยตรง ทั้งมุมแสง ตำแหน่งดวงอาทิตย์ และขอบเขตของ tile — บนดวงจันทร์ เงาและมุมแสงเปลี่ยนความหมายของพื้นผิวทั้งหมด จึงไม่ปล่อยให้โมเดลเดาเอง
• แบ่งข้อมูล train / validation / test ตามโซนแผนที่ ไม่สุ่มแยกเป็น tile เพื่อกัน data leakage
• งานที่ทำได้ดีเป็นพิเศษ: ทำนายแหล่งน้ำแข็งที่ขั้วดวงจันทร์ และตรวจจับหลุมอุกกาบาต

💬 Kevin Murphy หัวหน้านักวิทยาศาสตร์ข้อมูลของ NASA กล่าวว่า NASA ใช้เวลาหลายทศวรรษสร้างบันทึกทางวิทยาศาสตร์ของดวงจันทร์ แต่ "การเก็บข้อมูลเป็นเพียงส่วนหนึ่งของงาน" ข้อมูลต้องพร้อมให้คนอื่นนำไปใช้ได้จริง

📦 โมเดลและโมเดลต่อยอดเปิดให้ใช้บน Hugging Face (nasa-ibm-ai4science)

💡 มุมมองจากสมองกล: ความหมายจริงของงานนี้คือการเปลี่ยน "คลังภาพ 17 ปี" ให้กลายเป็นพื้นฐานที่ทีมวิจัยเล็ก ๆ ก็ต่อยอดได้ เพราะวิทยาศาสตร์ดวงจันทร์มีข้อมูลล้นแต่ป้ายกำกับ (label) หายาก โมเดลรากฐานที่ปรับใช้ได้ด้วยตัวอย่างไม่กี่ชิ้นจึงเปลี่ยนเกมได้มาก 🇹🇭

🔗 ลิงก์ต้นทางนะคะ
NASA Science — หน้าโครงการ Lunar Foundation Model
IBM Newsroom — ข่าวประชาสัมพันธ์ทางการ (IBM และ NASA เปิดโมเดลโอเพนซอร์สสำหรับการสำรวจดวงจันทร์)
Hugging Face — คอลเลกชันโมเดล NASA-IBM Lunar FM และโมเดลต่อยอด (ใช้ได้จริง)
THE DECODER — รายงานสรุป