NASA và IBM ra mắt mô hình AI nền tảng mã nguồn mở chuyên phân tích dữ liệu Mặt Trăng

NASA và IBM Research vừa chính thức công bố Mô hình Nền tảng Mặt Trăng (NASA-IBM Lunar Foundation Model) — một mô hình trí tuệ nhân tạo mã nguồn mở được thiết kế để giúp các nhà nghiên cứu phân tích khối lượng dữ liệu khổng lồ và đa dạng do các sứ mệnh thám hiểm Mặt Trăng thu thập.

Điểm đáng chú ý là mô hình này không chỉ là một thử nghiệm học thuật, mà còn đánh dấu bước tiến trong việc ứng dụng AI nền tảng (foundation model) vào lĩnh vực khoa học hành tinh — một hướng đi đang thu hút sự quan tâm lớn từ cộng đồng nghiên cứu quốc tế.

Huấn luyện trên gần hai triệu tập dữ liệu đa phương thức

Mô hình được huấn luyện từ đầu (pretrained from scratch) bằng SomBench, một bộ dữ liệu Mặt Trăng đa phương thức chứa gần hai triệu gói dữ liệu đồng đăng ký (co-registered data bundles), trải rộng trên 11 phương thức dữ liệu và hai quy mô không gian khác nhau.

Bộ dữ liệu này tổng hợp nhiều nguồn thông tin bổ trợ về bề mặt Mặt Trăng, bao gồm:

• Hình ảnh vệ tinh
• Địa hình (topography)
• Hình học chiếu sáng
• Đặc tính nhiệt vật lý
• Thành phần khoáng vật học
• Dữ liệu radar và trọng trường
• Các dữ liệu địa chất và môi trường khác

Mô hình NASA-IBM tái tạo các mẫu tiềm năng băng ở cực Mặt Trăng

Cách tiếp cận đa phương thức cho phép mô hình học được mối quan hệ giữa các loại quan sát khác nhau, thay vì xử lý từng tập dữ liệu một cách độc lập. Đây là điểm khác biệt căn bản so với các phương pháp học máy truyền thống vốn thường chỉ tập trung vào một loại dữ liệu đơn lẻ.

Kết quả vượt trội trên ba bài kiểm thử khoa học

Mô hình NASA-IBM đã được đánh giá qua ba bài kiểm thử chuẩn (downstream benchmarks):

1. Phát hiện hố va chạm (crater detection) ở cả quy mô khu vực lẫn quy mô mét
2. Phân đoạn các mảng ngựa không đều (irregular mare patches — IMPs), tức các dạng địa hình núi lửa đặc biệt
3. Hồi quy tiềm năng băng ở cực Mặt Trăng (lunar polar ice prospectivity)

Kết quả cho thấy mô hình đã ngang bằng hoặc vượt trội so với các mô hình đối chứng dựa trên tiền huấn luyện ImageNet, cũng như so với một mô hình có kiến trúc tương tự nhưng không được tiền huấn luyện trên dữ liệu Mặt Trăng.

Đặc biệt, nghiên cứu còn chứng minh hiệu quả nhãn ấn tượng trong bài toán phát hiện hố va chạm: các biểu diễn (representations) học được từ quá trình tiền huấn luyện trên dữ liệu Mặt Trăng có thể giúp giảm đáng kể lượng dữ liệu gán nhãn cần thiết cho một số ứng dụng cụ thể.

"Một trong những thách thức lớn nhất là kết hợp các tập dữ liệu Mặt Trăng đến từ những thiết bị và độ phân giải không gian rất khác nhau (từ 1m đến 20km mỗi pixel) mà vẫn bảo toàn giá trị khoa học của từng tập dữ liệu", tiến sĩ Rachel Slank chia sẻ.

Đóng góp của USRA và vai trò chuyên gia khoa học hành tinh

Hiệp hội Nghiên cứu Không gian Đại học (USRA) đã đóng góp chuyên môn khoa học hành tinh, phát triển tập dữ liệu và đánh giá khoa học cho dự án. Tiến sĩ Rachel Slank, nhà khoa học tại Viện Khoa học và Công nghệ của USRA, làm việc tại Trung tâm Bay Không gian Marshall của NASA, đảm nhiệm vai trò chuyên gia chủ đề khoa học hành tinh trong nhóm.

Bà Slank đã làm việc xuyên suốt cả nhóm khoa học lẫn nhóm mô hình hóa, giúp kết nối các ưu tiên khoa học Mặt Trăng với quyết định phát triển, ứng dụng và đánh giá mô hình. Đáng chú ý, bà đã tự tay xác định hơn 49.000 hố va chạm Mặt Trăng để xây dựng bài kiểm thử hố va chạm độ phân giải cao từ Camera Quỹ đạo Trinh sát Mặt Trăng (LROC NAC).

Mã nguồn mở cho cộng đồng khoa học và AI

Bằng việc công khai mô hình tiền huấn luyện, mã tinh chỉnh (fine-tuning code) và các tập dữ liệu kiểm thử, nhóm NASA-IBM mong muốn cung cấp cho cộng đồng khoa học hành tinh và AI một nền tảng tái sử dụng để phát triển các ứng dụng nghiên cứu Mặt Trăng mới.

Bài đăng trên nền tảng X chia sẻ về dự án

Mô hình và các tập dữ liệu liên quan hiện có sẵn thông qua nền tảng Hugging Face.

Ý nghĩa đối với cộng đồng công nghệ

Sự kiện này phản ánh một xu hướng rõ rệt: các mô hình nền tảng đang mở rộng ra ngoài phạm vi văn bản và hình ảnh thông thường, tiến vào các lĩnh vực khoa học chuyên sâu như địa chất hành tinh, thiên văn học và khí tượng.

Với các nhà phát triển và nhà nghiên cứu tại Việt Nam, việc NASA và IBM công khai toàn bộ mô hình, mã nguồn và dữ liệu trên Hugging Face mở ra cơ hội tiếp cận trực tiếp công nghệ AI tiên tiến mà không cần hạ tầng tính toán khổng lồ. Đây cũng là bài học về cách xây dựng tập dữ liệu chuẩn hóa cho các bài toán khoa học chuyên biệt — một kỹ năng ngày càng quan trọng trong kỷ nguyên AI.

Các nhà nghiên cứu quan tâm có thể truy cập thông báo chính thức từ NASA và IBM để tìm hiểu chi tiết về kiến trúc mô hình cũng như cách thức tinh chỉnh cho các ứng dụng riêng.