Model Fondasi Bulan NASA-IBM: Kegunaan, Hasil, dan Akses

Model Lunar Foundation NASA-IBM adalah model AI terbuka yang digunakan untuk menganalisis pengamatan Bulan. Diumumkan pada 10 September 2026, teknologi ini dapat disesuaikan untuk mendeteksi kawah, memetakan fitur vulkanik, dan memprediksi pola pada peta prospektivitas es. Keunggulan yang dilaporkan terkait dengan tolok ukur penelitian tertentu: hasil utama terkait es adalah penurunan tingkat kesalahan prediksi, bukan penemuan 22% lebih banyak air di Bulan.

Bagi para mahasiswa dan peneliti, titik awal yang berguna adalah kartu model resmi, laporan teknis, dan kode yang telah dirilis. Ketiganya secara bersama-sama menjelaskan apa yang telah dipelajari oleh model tersebut, tugas-tugas apa saja yang dievaluasi, serta apa saja yang Anda perlukan untuk membuat eksperimen Anda sendiri.

Jika langkah pertama Anda adalah memahami penelitian tersebut, GlobalGPT menggabungkan pencarian sumber, analisis dokumen, penalaran, dan penulisan ke dalam satu ruang kerja multimodel. Platform ini menawarkan cara yang terjangkau untuk beralih dari istilah-istilah ilmiah yang asing menjadi ringkasan penelitian yang jelas melalui satu langganan saja.

Coba Lebih dari 100 Model Terbaik di GlobalGPT

Apa itu Model Fondasi Bulan NASA-IBM?

Pengumuman NASA memperkenalkan proyek ini sebagai model dasar untuk ilmu bulan, yang dikembangkan bersama IBM. Model dasar mempelajari pola-pola yang dapat digunakan kembali dari kumpulan data yang luas; para peneliti kemudian menyesuaikan pola-pola tersebut untuk tugas yang lebih spesifik. Dalam hal ini, bahan yang digunakan adalah data penginderaan jauh bulan, bukan bahasa sehari-hari.

LFM NASA-IBM menggunakan encoder dan decoder berbasis Vision Transformer, dengan arsitektur ViT-B. Masukan sistem ini mencakup citra dan produk pengamatan lainnya dengan resolusi spasial yang beragam. Seorang ilmuwan dapat menyesuaikan representasi yang dihasilkan untuk tujuan deteksi, segmentasi, atau regresi—tiga metode untuk mengidentifikasi objek, menggambarkan batas wilayah, dan memprediksi nilai numerik.

Hal itu menjadikan rilis ini bermanfaat bagi tim yang bekerja dengan peta bulan serta bagi mahasiswa yang mempelajari pembelajaran mesin dalam konteks planet. Membaca proyek ini juga bermanfaat bagi siapa pun yang ingin memahami bagaimana model AI ilmiah dievaluasi. Namun, penggunaan checkpoint-nya merupakan alur kerja komputasi penelitian, bukan percakapan obrolan.

Dari data apa sistem ini belajar?

The kartu model menjelaskan data pelatihan SomBench: 963.609 bundel ubin Kamera Sudut Lebar (WAC) dan 1.000.113 bundel Kamera Sudut Sempit (NAC). Skala WAC sekitar 100 meter per piksel; skala NAC sekitar 1 meter per piksel. Hal ini memberikan model konteks medan yang lebih luas serta detail permukaan yang jauh lebih halus, mencakup sekitar dua juta bundel.

IBM menjelaskan sumber daya data yang lebih luas yaitu lebih dari 30 lapisan yang telah diselaraskan dari sembilan instrumen di empat misi. Kartu model mencantumkan 11 modalitas masukan. Gambar-gambar ini menggambarkan berbagai tahap dalam alur pemrosesan data: lapisan sumber, contoh pelatihan yang telah dikemas, dan jenis masukan yang dikodekan oleh model.

Pencahayaan juga merupakan bagian dari desain. Model tersebut menerima geometri pengamatan, termasuk sudut pencahayaan, sebagai konteks eksplisit. Hal ini membantu membedakan bagaimana tampilan suatu permukaan di bawah pencahayaan tertentu dari pola medan dasar yang sedang dipelajarinya.

Satu piksel yang mewakili wilayah seluas sekitar 100 meter tidak dapat menampilkan detail yang sama dengan piksel yang mewakili wilayah seluas sekitar 1 meter. Itulah sebabnya hasil pengamatan kawah WAC dan NAC perlu mendapat perhatian tersendiri. Keunggulan pada citra berskala luas tidak berarti keunggulan yang sama pada fitur permukaan berskala kecil.

Proyek ini mengikuti pendekatan prapelatihan TerraMind, namun dilatih menggunakan data bulan dari awal. Oleh karena itu, proyek ini harus dipahami sebagai model yang dibangun untuk pengamatan bulan, bukan sekadar titik pemeriksaan pengamatan Bumi dengan nama baru. Pertanyaan yang relevan adalah bagaimana representasi yang dipelajarinya dapat membantu tugas pengamatan bulan tertentu.

Tiga tugas yang dapat didukungnya

Evaluasi yang telah dipublikasikan mencakup tiga kelompok tugas. Masing-masing menghasilkan jenis jawaban yang berbeda, sehingga arti dari “lebih baik” pun berubah-ubah tergantung pada tugasnya.

Deteksi kawah dan segmentasi fitur vulkanik dapat membantu para peneliti mengorganisir dan menganalisis citra. Kegunaannya bergantung pada label, skala, dan wilayah evaluasi. Sebuah model yang berkinerja baik pada kumpulan data uji yang telah ditentukan tetap perlu dievaluasi berdasarkan data dan pertanyaan ilmiah dari proyek baru.

Prospektivitas es memerlukan interpretasi yang paling cermat. Tujuannya adalah membuat peta berbasis pengetahuan mengenai lokasi-lokasi di mana kemungkinan terdapat es, bukan pengukuran langsung terhadap endapan es. Semakin sesuai hasilnya dengan peta tersebut, semakin dapat mendukung penelitian mengenai pola-pola dan wilayah-wilayah yang berpotensi. Hal ini tidak berarti bahwa telah ditemukan tambahan volume air.

Apa arti dari hasil benchmark tersebut

The laporan teknis menyajikan nilai rata-rata dan simpangan baku berdasarkan lima nilai awal acak. Hasilnya membandingkan konfigurasi model lunar yang telah disesuaikan dengan model dasar vision yang telah ditetapkan. Kami telah memeriksa tabel-tabel yang dipublikasikan; kami tidak mengulangi eksperimen model lunar tersebut.

Metrik-metrik tersebut menjawab pertanyaan yang berbeda-beda. Mean Average Precision (mAP) mengevaluasi deteksi objek; Intersection over Union (IoU) mengukur tumpang tindih antara wilayah yang diprediksi dan yang diberi label; Root Mean Squared Error (RMSE) mengukur kesalahan prediksi numerik. Nilai mAP dan IoU yang lebih tinggi lebih baik, sedangkan nilai RMSE yang lebih rendah lebih baik. Metrik-metrik ini tidak boleh digabungkan menjadi satu skor akurasi.

Hasil perhitungan es 22% menunjukkan penurunan tingkat kesalahan

Untuk prospektivitas es, konfigurasi lunar terkuat yang dilaporkan memiliki RMSE sebesar 0,0293, dibandingkan dengan 0,0377 untuk SwinV2-B. Perhitungannya adalah (0,0377 − 0,0293) ÷ 0,0377 × 100 = 22,3%. RMSE mengukur kesalahan prediksi terhadap peta target; semakin rendah, semakin baik. Persentase ini bukanlah skor akurasi maupun perubahan jumlah es di Bulan.

Hasil analisis kawah bergantung pada metrik dan skala data

Dengan 50% data pelatihan WAC, model lunar mencatat nilai mAP sebesar 0,2541 dibandingkan dengan 0,2313 untuk SwinV2-B. Hasil model lunar yang sama tersebut juga melampaui nilai baseline sebesar 0,2420 dengan 100% data pelatihan. Perbandingan pertama menggunakan fraksi data yang sama; sedangkan perbandingan kedua menunjukkan efisiensi label dalam eksperimen khusus ini.

Peningkatan IBM sebesar sekitar 19% dapat diselaraskan dengan nilai AP@75 dalam laporan tersebut pada data pelatihan sebesar 50%: 0,2213 berbanding 0,1862, yang menunjukkan kenaikan relatif sebesar 18,9%. AP@75 mengevaluasi deteksi pada ambang batas tumpang tindih tertentu. Nilai ini tidak boleh disamakan dengan peningkatan sebesar 19% pada metrik mAP dalam tabel.

Pada skala NAC yang lebih halus, nilai mAP model lunar adalah 0,1543 dan nilai mAP model dasar adalah 0,1552. Untuk Irregular Mare Patches, nilai IoU latar depan yang dilaporkan adalah 0,5709 dan 0,5687 dibandingkan dengan ConvNeXtV2-B. Para penulis menggambarkan tugas-tugas ini sebanding dengan baseline yang kuat. Perbedaan kecil, bersama dengan variasi yang dilaporkan antar-jalankan, tidak mendukung klaim bahwa model bulan selalu unggul di semua aspek.

Di mana bisa mendapatkannya dan berapa biayanya

Mulailah dari sumber resmi di bawah ini. Bobot model dan kode tersebut dilisensikan di bawah lisensi Apache-2.0, dan checkpoint-nya tersedia untuk umum. Repositori tersebut secara khusus menjelaskan sebuah Rilis penyempurnaan dan inferensi; hal ini secara tegas mengecualikan kode prapelatihan.

Jika Anda ingin menyesuaikan model, pilih tugas hilir sebelum menyiapkan eksperimen. Repositori ini menyediakan komponen dan konfigurasi yang kompatibel dengan TerraTorch untuk menghubungkan checkpoint, tugas, dan data. TerraTorch adalah kerangka kerja perangkat lunak yang digunakan untuk mengatur alur kerja pelatihan dan evaluasi tersebut.

1. Baca kartu model dan berkas README, lalu pilih deteksi, segmentasi, atau regresi sesuai dengan pertanyaan ilmiah yang diajukan.
2. Peroleh data yang relevan dan titik pemeriksaan resmi, serta periksa konfigurasi tugas dan petunjuk lingkungan pada repositori tersebut.
3. Siapkan data untuk konfigurasi tersebut, lalu jalankan alur kerja penyempurnaan atau inferensi yang sesuai.
4. Lakukan evaluasi berdasarkan tolok ukur yang sesuai dan simpan pembagian data, pengaturan, serta hasilnya agar hasilnya dapat diverifikasi.

Akses terbuka memang menghilangkan proses pembelian lisensi model pada tahap awal, tetapi menjalankan eksperimen tetap memerlukan biaya. Anda memerlukan daya komputasi, penyimpanan, persiapan data, dan waktu untuk evaluasi. Checkpoint yang dirilis tidak secara otomatis dilengkapi dengan API yang dihosting atau waktu penggunaan GPU gratis, dan sumber-sumber tersebut tidak menetapkan spesifikasi GPU minimum yang berlaku secara universal untuk setiap tugas hilir.

Gunakan AI untuk memahami penelitian tersebut

Pertanyaan pertama yang produktif bersifat spesifik: “Apa sebenarnya yang diukur oleh peningkatan 22% yang dilaporkan itu?” Untuk menjawabnya, diperlukan target, metrik, nilai acuan, dan perhitungan. Menanyakan keempat hal tersebut jauh lebih bermanfaat daripada sekadar bertanya kepada asisten apakah model tersebut mengesankan.

GlobalGPT memungkinkan Anda menyelesaikan tugas membaca tersebut mulai dari pencarian sumber, penjelasan dokumen, hingga penulisan tanpa perlu berpindah-pindah antar alat yang berbeda untuk setiap langkahnya. Untuk metode yang dapat diulang, menyusun ringkasan penelitian yang telah diverifikasi sumbernya dengan daftar sumber yang singkat dan pertanyaan-pertanyaan yang jelas sebelum meminta ringkasan yang sudah disempurnakan.

Kami menguji versi ringkas dari alur kerja ini menggunakan GPT-5.6 Sol. Model tersebut menerima kumpulan data yang disaring dari empat sumber resmi dan ditugaskan untuk menghasilkan ringkasan singkat, mengklasifikasikan enam klaim, menghitung penurunan RMSE, serta mengusulkan langkah-langkah praktis selanjutnya. Tugas ini menggunakan teks yang telah disediakan; model tersebut tidak mencari bukti baru.

SISTEM
Anda berperan sebagai editor penelitian yang teliti yang menulis untuk seorang mahasiswa. Gunakan hanya paket sumber yang disediakan. Jangan mencari informasi di luar sumber tersebut. Bedakan antara hasil pengukuran benchmark yang dilaporkan dengan pengukuran ilmiah di dunia nyata. Cantumkan ID sumber dalam tanda kurung siku. Jika suatu klaim tidak didukung bukti, nyatakan hal itu dengan jelas. Jangan mengarang kutipan, harga, persyaratan perangkat keras, atau hasil eksperimen. Berikan jawaban yang diminta, bukan alasan tersembunyi.

PENGGUNA
Ubah paket sumber menjadi catatan penelitian praktis. Kembalikan: (1) ringkasan dalam bahasa Inggris sederhana sebanyak 100–130 kata; (2) tabel pemeriksaan klaim berbaris enam yang menggunakan persis "Didukung" atau "Tidak didukung", ID sumber, dan penjelasan satu kalimat untuk setiap klaim yang disediakan; (3) pengurangan RMSE relatif yang dihitung dari 0,0377 menjadi 0,0293, dibulatkan hingga satu tempat desimal, disertai rumus dan satu kalimat yang menjelaskan apa yang tidak diukur oleh rumus tersebut; (4) tiga langkah praktis selanjutnya bagi seorang mahasiswa yang ingin memeriksa atau mengadaptasi model yang telah dirilis. Jumlah kata keseluruhan jawaban harus kurang dari 500 kata.

Klaim yang perlu diperiksa:
1. NASA dan IBM mengumumkan model tersebut secara publik pada 10 September 2026.
2. RMSE prospektivitas es yang dilaporkan turun dari 0,0377 untuk SwinV2-B menjadi 0,0293 untuk model bulan yang telah disempurnakan sepenuhnya.
3. Model tersebut menemukan 22% lebih banyak es air asli di Bulan.
4. NASA telah memvalidasi model ini untuk sertifikasi lokasi pendaratan dan klarifikasi bahaya.
5. Rilis GitHub mencakup kode prapelatihan.
6. Titik pemeriksaan terbuka menjamin bahwa komputasi GPU dan inferensi yang dihosting gratis.

Paket sumber:
[S1] Pengumuman NASA, 10 September 2026.
Judul: NASA dan IBM Meluncurkan Model Dasar AI untuk Ilmu Bulan.
URL: https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/
NASA mengumumkan model dasar ilmu bulan yang dikembangkan bersama IBM. Model ini dihosting secara publik di Hugging Face, dengan kode sumbernya tersedia di GitHub. Model ini dapat diadaptasi untuk pemetaan kawah, identifikasi fitur vulkanik, dan penelitian es kutub.

[S2] Kartu model resmi NASA-IBM dan laporan teknis, diperiksa pada 28 September 2026.
URL kartu model: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
URL laporan teknis: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model/blob/main/NI_LFM_Technical_Report.pdf
Tabel 7 dalam laporan tersebut (halaman 18) menyajikan nilai root mean squared error (RMSE) pada set uji untuk regresi prospektivitas es. Semakin rendah nilainya, semakin baik. Rata-rata plus/minus simpangan baku dari lima benih acak: NASA-IBM LFM dengan penyempurnaan penuh, 0,0293 ± 0,0013; SwinV2-B yang dilatih sebelumnya dengan ImageNet, 0,0377 ± 0,0004. Tujuannya adalah peta prospektivitas es yang didasarkan pada pengetahuan. Ini adalah hasil benchmark yang dilaporkan oleh penulis, bukan replikasi independen atau pengukuran langsung terhadap es air.
Tabel 4 (halaman 16), kawah WAC dengan data pelatihan 50%: mAP kotak pembatas adalah 0,2541 ± 0,0018 untuk LFM yang disesuaikan sepenuhnya dan 0,2313 ± 0,0027 untuk SwinV2-B. Pada baris yang sama, nilai AP@75 masing-masing adalah 0,2213 ± 0,0028 dan 0,1862 ± 0,0041. Metrik-metrik ini tidak boleh dipertukarkan.

[S3] Kartu model resmi, Tujuan penggunaan / Di luar cakupan / Keterbatasan.
URL: https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model
Tujuan penggunaan adalah penginderaan jauh Bulan melalui penyempurnaan atau adaptasi LoRA untuk deteksi, segmentasi, dan regresi padat. Model ini tidak divalidasi untuk sertifikasi lokasi pendaratan atau pembersihan bahaya. Keluaran prospektivitas es diregresikan dari peta berbasis pengetahuan, bukan es yang diukur. Bidang yang dihasilkan merupakan probe kualitatif, bukan prediksi ilmiah yang dikalibrasi. Model ini tidak mempertahankan kerangka acuan geodetik absolut. Model ini belum dievaluasi di luar Bulan. Lisensi yang tercantum adalah Apache-2.0. Halaman ini melaporkan tidak adanya penerapan Penyedia Inferensi. Paket ini tidak menjanjikan komputasi GPU gratis atau inferensi yang dihosting secara gratis, serta tidak mencantumkan spesifikasi perangkat keras minimum atau harga API yang dihosting.

[S4] README GitHub Resmi, diperiksa pada 28 September 2026.
URL: https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model
Repositori ini menjelaskan rilis penyempurnaan dan inferensi. Kode prapelatihan tidak disertakan. Bobot dan konfigurasi dapat diunduh dari repositori model resmi Hugging Face. Modul data, tugas, pembungkus backbone, dan konfigurasi tugas yang kompatibel dengan TerraTorch disediakan. Penyesuaian dan pengujian memerlukan data, titik pemeriksaan, serta konfigurasi tugas yang relevan. Berkas README mencantumkan lisensi Apache 2.0.

## 1. Pengarahan

NASA dan IBM mengumumkan Lunar Foundation Model pada 10 September 2026. Rilis publik ini menyediakan bobot di Hugging Face serta kode penyempurnaan dan inferensi di GitHub, yang ditujukan untuk tugas-tugas penginderaan jauh Bulan seperti pemetaan kawah, identifikasi fitur vulkanik, dan penelitian es kutub. Tolak ukur prospektivitas es yang dilaporkan menunjukkan peningkatan RMSE dibandingkan SwinV2-B yang telah dilatih sebelumnya menggunakan ImageNet, namun tujuannya adalah peta berbasis pengetahuan, bukan pengukuran langsung terhadap es di Bulan. Hasil ini dilaporkan oleh penulis berdasarkan lima benih acak dan bukan merupakan replikasi independen. Model ini dimaksudkan untuk diadaptasi melalui penyempurnaan penuh (full fine-tuning) atau LoRA, namun belum divalidasi untuk sertifikasi lokasi pendaratan atau penilaian risiko bahaya. Kode prapelatihan tidak disertakan, dan rilis ini tidak menjanjikan komputasi GPU gratis maupun layanan inferensi yang dihosting. [S1][S2][S3][S4]

## 2. Tabel verifikasi klaim

| Klaim | Kesimpulan | Sumber | Penjelasan |
|---|---|---|---|
| 1 | Didukung | [S1] | Pengumuman NASA tertanggal 10 September 2026, dan mengidentifikasi model tersebut sebagai proyek NASA–IBM. |
| 2 | Didukung | [S2] | Tabel 7 melaporkan nilai RMSE sebesar 0,0377 untuk SwinV2-B dan 0,0293 untuk model bulan yang telah disempurnakan sepenuhnya. |
| 3 | Tidak didukung | [S2] | Angka-angka tersebut merupakan kesalahan benchmark terhadap peta prospektivitas berbasis pengetahuan, bukan pengukuran es air bulan yang sebenarnya. |
| 4 | Tidak didukung | [S3] | Kartu model secara eksplisit menyatakan bahwa model ini belum divalidasi untuk sertifikasi lokasi pendaratan atau klarifikasi bahaya. |
| 5 | Tidak didukung | [S4] | Repositori GitHub menyediakan sumber daya penyempurnaan dan inferensi, tetapi tidak menyertakan kode prapelatihan. |
| 6 | Tidak didukung | [S3] | Paket ini tidak menjanjikan komputasi GPU gratis atau layanan inferensi yang dihosting, dan tidak melaporkan adanya penerapan Penyedia Inferensi. |

## 3. Pengurangan RMSE relatif

\[
\frac{0,0377-0,0293}{0,0377}\times 100 = 22,3\%
\]

Ini adalah **penurunan relatif sebesar 22,3% pada RMSE benchmark yang dilaporkan penulis**; hal ini tidak mengukur penemuan es air tambahan yang sebenarnya atau kinerja ilmiah yang divalidasi secara independen. [S2]

## 4. Langkah-langkah praktis selanjutnya

1. Bacalah tujuan penggunaan, batasan, dan lisensi Apache-2.0 pada kartu model sebelum memilih tugas deteksi, segmentasi, atau regresi. [S3]
2. Unduh checkpoint resmi dan konfigurasi dari Hugging Face, lalu periksa wrapper backbone dan konfigurasi tugas di GitHub. [S4]
3. Peroleh dataset bulan yang relevan dan gunakan komponen yang kompatibel dengan TerraTorch yang disediakan untuk penyempurnaan dan pengujian, dengan mencatat bahwa kode prapelatihan tidak tersedia dan hasil benchmark memerlukan evaluasi independen. [S2][S4]

Hasil yang bermanfaat adalah tetap terjaganya perbedaan-perbedaan tersebut: kesalahan benchmark versus es yang terdeteksi, penggunaan untuk penelitian versus sertifikasi pendaratan, serta kode adaptasi yang dirilis versus kode prapelatihan yang tidak ada. Karena batasan-batasan tersebut sudah terdapat dalam paket sumber, hal ini menjadi bukti keberhasilan tugas pembacaan dan sintesis, bukan bukti bahwa asisten tersebut akan secara mandiri mengungkap setiap peringatan.

Untuk proyek yang lebih besar, merencanakan sesi penelitian yang lebih mendalam dengan bantuan AI seputar pertanyaan-pertanyaan terpisah mengenai data, metode, evaluasi, dan keterbatasan. Letakkan tabel sumber di samping draf dan periksa kembali setiap angka setelah penyuntingan. Kebiasaan itu lebih penting daripada seberapa lancar ringkasan pertama terdengar.

Batas-batas yang relevan dalam praktiknya

Kartu model tersebut menyebutkan bahwa model bulan belum divalidasi untuk pengambilan keputusan operasional seperti sertifikasi lokasi pendaratan atau penilaian risiko. Model ilmiah dapat membantu menganalisis pengamatan tanpa harus memastikan bahwa suatu wahana antariksa dapat mendarat dengan aman di suatu tempat. Penggunaan-penggunaan tersebut memerlukan tingkat validasi yang berbeda.

Bidang yang dihasilkan juga perlu diperhatikan dengan hati-hati. Model ini tidak mempertahankan kerangka acuan geodetik absolut, dan nilai-nilai yang dihasilkan dapat menyimpang dari nilai-nilai fisik. Para penulis menggambarkan proses pembuatannya sebagai alat uji kualitatif, bukan prediksi ilmiah yang telah dikalibrasi. Peta medan atau peta pengamatan yang tampak masuk akal tidak boleh dianggap sebagai hasil pengukuran.

Titik pemeriksaan tersebut belum dievaluasi di luar Bulan. Bahkan dalam penelitian tentang Bulan, hasil evaluasinya beragam: terdapat kemajuan yang jelas pada beberapa tugas dan hasil yang sebanding pada tugas lainnya. Pelajaran yang dapat dipetik adalah menilai model tersebut berdasarkan target, skala, data, dan acuan yang sesuai dengan eksperimen Anda.

Pertanyaan yang Sering Diajukan

Apakah Model Fondasi Bulan NASA-IBM dapat digunakan secara gratis?

Kartu model resmi dan repositori kode mencantumkan lisensi Apache-2.0, dan checkpoint-nya tersedia untuk umum. Untuk menjalankan eksperimen, tetap diperlukan sumber daya komputasi yang memadai, persiapan data, serta evaluasi yang disesuaikan dengan tugas tertentu. Akses terbuka terhadap model ini tidak menjamin ketersediaan komputasi GPU gratis atau layanan inferensi yang dihosting.

Apakah Model Fondasi Bulan NASA-IBM itu sebuah chatbot?

Model ini merupakan model dasar untuk penginderaan jauh Bulan, yang dirancang untuk diintegrasikan dengan citra, produk topografi, dan data pengamatan terkait. Para peneliti mengadaptasinya untuk tugas-tugas deteksi, segmentasi, dan regresi. Asisten obrolan dapat membantu menjelaskan dokumentasi tersebut, namun berinteraksi dengan chatbot merupakan alur kerja yang berbeda dari menjalankan model ini.

Apakah model tersebut menemukan lebih banyak es air di Bulan?

Hasil analisis es yang dilaporkan ini mengukur sejauh mana prediksi sesuai dengan peta prospektivitas es yang didasarkan pada pengetahuan. Nilai RMSE terbaik yang dilaporkan turun dari 0,0377 menjadi 0,0293 dibandingkan dengan baseline yang disebutkan, yang merupakan penurunan relatif sekitar 22%. Hal ini merupakan peningkatan benchmark; bukan pengukuran penemuan es tambahan.

Apakah saya bisa menjelajahi proyek ini tanpa menulis kode?

Anda dapat membaca pengumuman NASA, memeriksa kartu model, menjelajahi tabel tolok ukur yang dipublikasikan, dan mengunjungi halaman demonstrasi resmi tanpa perlu membangun alur kerja pelatihan. Untuk menyesuaikan checkpoint yang dirilis dengan tugas ilmiah, gunakan kode, data, dan konfigurasi TerraTorch dari repositori tersebut, dilanjutkan dengan validasi khusus tugas.

Bagaimana hubungan model bulan dengan Prithvi dan Surya?

Model-model tersebut merupakan bagian dari kolaborasi yang lebih luas antara NASA dan IBM dalam pengembangan model dasar untuk bidang sains. NASA menjelaskan bahwa model Prithvi ditujukan untuk pengamatan Bumi dan aplikasi cuaca, model Surya untuk heliofisika, serta model Bulan untuk pengamatan Bulan. Bidang penerapan dan tugas yang dimaksudkan dari masing-masing model tersebut berbeda; titik uji model Bulan belum dievaluasi di luar wilayah Bulan.

Model Lunar Foundation NASA-IBM menawarkan titik awal yang dapat digunakan kembali untuk penelitian penginderaan jauh Bulan. Gunakan tabel resmi untuk memahami kelebihan model ini, kartu model untuk menentukan batasannya, dan sumber daya yang telah dirilis untuk merencanakan eksperimen yang disesuaikan dengan tugas tertentu. Jika tujuan Anda saat ini adalah belajar atau menulis, mulailah dengan mengubah sumber-sumber tersebut menjadi ringkasan yang telah diverifikasi.