تقدم السنوات العقود الماضية التي شهدت بعثات فضائية إلى القمر مجموعة غير مسبوقة من بيانات الاستشعار عن بُعد، بما في ذلك الصور الضوئية، والتحليل الطيفي، والإشعاع الحراري، والرادار، والمواد الكيميائية. لكن، ومع وجود هذه البيانات الثمينة، يبقى التحدي الوحيد هو تشتت هذه المعلومات بين أرشيفات متعددة وغياب معيار موحد لتقييم نماذج الذكاء الاصطناعي.

لذا، أعلن فريق من الباحثين عن ابتكار جديد يحمل اسم "مونستون" (Moonstone)، وهو أول نموذج أساسي متعدد الأنماط (multimodal foundation model) مخصص للاستشعار عن بُعد للقمر. يتميز هذا النموذج بقدرته على معالجة البيانات المتعددة الأنماط بشكل أكثر كفاءة، مما يتيح استنباط معلومات أكثر دقة عن سطح القمر.

تشمل إسهامات مونستون:
1. مجموعة بيانات عالمية تتكون من 28 قناة بدقة 128 بكسل لكل درجة (~237 متر) مستمدة من سبع عائلات من الأدوات عبر خمس مهمات فضائية، والتي تعتبر قاعدة بيانات مثالية لتدريب النماذج.
2. استخدام نموذج MG-MAE، الذي يعتمد على Autoencoder المجموعات المتعددة، والذي ينظم تجميع البيانات عبر تحويلات بصرية وخصائص جديدة للتعامل مع البيانات غير المتاحة.
3. معيار لتقييم ست مهام متميزة تشمل التصنيف والرجوع والتقسيم.

تشير النتائج إلى أن الميزات المدربة مسبقًا لـ MG-MAE تتفوق على المعايير التقليدية وتحقيق نتائج أفضل مقارنةً بنماذج أخرى مدربة مسبقًا مثل ImageNet.

يمكن الحصول على البيانات والكود البرمجي المستخدم في هذا البحث عبر الروابط التالية: بيانات مونستون و الكود البرمجي.

إن مونستون يمثل خطوة للأمام في مجال استشعار البيانات القمرية، مما يعزز من قدرة الباحثين والشركات في استكشاف القمر وتفسير معطياته بشكل أفضل. إليكم السؤال: كيف ترى تأثيرات هذا الابتكار على أبحاث الفضاء المستقبلية؟ شاركونا آرائكم في التعليقات!