IBM og NASA lancerer open source Lunar Foundation Model med SomBench-datasættet

IBM og NASA den 10. september 2026 annoncerede den open‑source‑udgivelse af NASA‑IBM Lunar Foundation Model, en multimodal, multi‑opløsnings‑foundation‑model til månelige fjernmåling, sammen med SomBench, det ko‑registrerede månedatasæt, der er bygget til at træne den.

I meddelelsen, dateret fra Yorktown Heights, New York, beskrev IBM systemet som en af de første offentligt tilgængelige foundation‑modeller til videnskabelig udforskning af Månen, trænet på et omfattende måneobservationsdatasæt kurateret af IBM‑ og NASA‑forskerne. Modelvægtningerne er offentliggjort på Hugging Face under Apache‑2.0‑licensen, med finjusteringskode vedligeholdt i et NASA‑IMPACT‑GitHub‑arkiv, og efterfølgende tilpasning håndteres via TerraTorch. Modelkortet præsenterer udgivelsen som en genanvendelig repræsentation for måne‑fjernmåling: finjustering eller LoRA‑tilpasning af encoder til detektion, segmentering og tæt regression på LROC‑billeder og ko‑registrerede terrænprodukter, med modalitets‑undergrupper og patch‑gitter, der kan afvige fra fortræning.

Ifølge meddelelsen kunne forskere anvende modellen på flere områder inden for månestudier: forudsige, hvor is kan forekomme i permanent skyggefulde regioner, som er svære at observere, men som kan indeholde ressourcer, der anses for nødvendige for en fremtidig månebase; kortlægge Irregular Mare Patches, vulkanske formationer som forskere studerer for at forstå Månens vulkanske historie og termiske udvikling; samt opdage, sætte i kontekst og klassificere kratre, et arbejde der afslører spor om terrænets alder og geologi og hjælper NASA med at vælge sikre landingssteder, mens man undgår farer som stejle skråninger og klipper.

“NASA har brugt årtier på at opbygge en ekstraordinær videnskabelig registrering af Månen, men indsamling af data er kun en del af opgaven,” sagde Kevin Murphy, chief science data officer og fungerende chief data and AI officer ved NASA Headquarters, og tilføjede, at modellen viser, hvad der er muligt, når AI bringes til NASAs petabytes af videnskabelige data.

IBM sagde, at modellen udvider et etableret samarbejde mellem de to organisationer og tilslutter sig Prithvi-familien af open foundation‑modeller, der er tilgængelige på Hugging Face, og dækker geospatiale data, vejr, heliofysik og nu Månen. Meddelelsen præsenterer den åbne udgivelse som en bredere vision, hvor forskere starter fra en fælles model og tilpasser den til nye opgaver i stedet for at bygge et nyt algoritmisk system for hvert videnskabeligt spørgsmål.

Juan Bernabe-Moreno, direktør for IBM Research Europe, UK og Irland, sagde, at modellen giver forskere et grundlag til at udforske Månen i stor skala, forbinde observationer på tværs af instrumenter, afsløre mønstre, der er svære at se isoleret, og “tilbyde en open platform, som det globale forskningsfællesskab kan bygge videre på”.

Arkitektur og fortræning

Modelkortet beskriver en ViT‑B encoder‑decoder (768 dimensioner, 12 lag, 12 attention‑hoveder), trænet fra bunden på SomBench: cirka 2 millioner ko‑registrerede månetile‑bundter, der dækker 11 modaliteter på to rumlige skalaer, LROC Narrow Angle Camera‑billeder med ca. 1 meter per pixel og Wide Angle Camera‑billeder med ca. 100 meter per pixel. Systemet tilpasser TerraMind‑masked‑token‑metoden med to udvidelser. Per‑tile indfangningsgeometri, inklusive belysningsvinkler, sol‑ramme‑ankre og tile‑fodaftryk, tokeniseres som eksplicitte encoder‑input; forfatterne anfører, at månens overfladeudseende styres mere af belysningsgeometri end af intrinsisk overfladevariation. NAC‑ og WAC‑ankrede tiles trænes også sammen i en enkelt blandet‑batch‑løkke ved native opløsning, så ét sæt vægte dækker begge opløsningsfamilier over et 100× skala‑gab.

Input‑data spænder over ni tætte billed‑lignende lag plus to sekvens‑lignende kontekst‑modaliteter: per‑tile optisk metadata med otte felter og statisk‑kort‑kontekst med 28 felter hentet fra Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL og Lunar Prospector‑produkter. En FlexiViT‑patch‑embedding gør det muligt at finjustere checkpointen ved andre patch‑størrelser uden at gen‑træne backbone, og modalitets‑vis tokenisering tillader, at modaliteter kan droppes eller tilføjes under finjustering. Fortræning kørte på 16 H100‑GPU’er i 150.000 trin med en global batch på 1.536 i bf16, svarende til cirka 1.100 GPU‑timer, ved brug af ni modalitets‑specifikke VQ‑VAE‑tokenizere med FSQ‑kvantisering, en DDPM‑decoder og et kryds‑entropi‑mål over diskrete token‑ordbøger.

Rapporterede benchmark‑resultater

IBM sagde, at modellen overgår bredt anvendte metoder med op til 23 % i identifikation af nøglegeografiske træk på Månens overflade, herunder potentielle isaflejringer, kratre og vulkanske formationer. Med reference til et NASA‑IBM‑teknisk papir rapporterede virksomheden, at modellen reducerede fejl (RMSE) med op til 22 % sammenlignet med SwinV2‑B (ImageNet)‑modellen ved identifikation af områder med højt potentiale for måneis; indfangede omfanget af Irregular Mare Patches 3 % bedre end SwinV2‑B, selv med ufuldkomne mærkater; og matchede state‑of‑the‑art‑modeller som SwinV2‑B i kraterdetektion på meterskala, mens den overgik den med næsten 19 % ved cirka 100‑meters kontekst‑skala ved brug af halvdelen af træningsdataene.

Benchmark‑tabellen på modelkortet rapporterer en RMSE for polar is‑prospektivitet på 0,0293 med fuld finjustering, sammenlignet med 0,0377 for den bedste baseline (SwinV2‑B) og 0,0397 for en tilfældig initialiserings‑kontrol, og identificerer is‑prospektivitet som den bredeste margin. For segmentering af Irregular Mare Patch angives en IoU1 på 0,5709 mod 0,5687 for ConvNeXtV2‑B, og for Robbins‑kraterdetektion på WAC‑billeder en mAP på 0,2581 ved brug af LoRA mod 0,2420 for SwinV2‑B; kortet angiver, at fortrænede varianter med 50 % af træningsdata allerede matcher eller overgår SwinV2‑B trænet på hele sættet. Forfatterne advarer om, at de førende resultater på NAC‑krater‑ og Irregular Mare Patch‑benchmarkene bør betragtes som sammenlignelige, fordi marginerne er mindre end spredningen på tværs af seeds. Benchmarkene blev kørt gennem TerraTorch med loadere, split, augmentationer, tab og metrikker holdt faste på tværs af backbones, med baselines inklusiv ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+ og SegFormer, rapporteret som gennemsnit og standardafvigelse over fem seeds.

SomBench‑korpus og angivne begrænsninger

IBM sagde, at deres forskere, i samarbejde med NASA, byggede det første open‑source månedatasæt af sin slags, ved at samle mere end 30 rumligt justerede lag fra ni instrumenter på tværs af fire missioner, herunder NASA’s Lunar Reconnaissance Orbiter og GRAIL‑missionen samt den japanske Aerospace Exploration Agency’s SELENE/Kaguya. SomBench‑datasæt‑kortet beskriver to spor: WACLowRes, 963.609 tiles, der dækker 51,2 km ved 100 meter per pixel, hentet fra 54.080 Wide Angle Camera Experiment Data Records og udgør i alt 38 TB; og NACHighRes, 1.000.113 tiles, der dækker 512 m ved 1 meter per pixel fra 1.095 Narrow Angle Camera‑poster, i alt 1,4 TB. Korpuset udgives under en CC BY 4.0‑licens, med det fulde datasæt hostet på AWS. Split‑ene tildeles på Lunar Transverse Mercator‑zone‑niveau med et mål på 75/15/10, tiles der spænder over to zoner droppes for at forhindre rumlig lækage, og test‑splittet er reserveret til efterfølgende evaluering.

Modelkortet angiver, at systemet ikke er et videnskabeligt generativt produkt, opretholder ingen geodætisk referenceramme, og er ikke valideret til operationelle beslutninger såsom certificering af landingssteder eller risikofrihed; det bemærker også, at is‑prospektivitets‑output er en regressionsmodel baseret på en vidensdrevet fuzzy‑overlay‑kort frem for målt is. Angivne begrænsninger omfatter ablationsbidrag, der endnu ikke er isoleret, og NAC‑fortræning begrænset til 1.095 ko‑registrerede rammer, mens datasæt‑kortet bemærker heterogen rumlig opløsning og usikkerhed i absolut geolokation på flere meter. Arbejdet blev støttet af NASA under Award No. 80MSFC25M0084.