IBM ja NASA avointa lähdekoodia oleva Kuun perustamismalli SomBench‑aineiston kanssa

IBM ja NASA 10. syyskuuta 2026 julkaisivat avoimen lähdekoodin NASA‑IBM Kuun perustamismallin, monimodaalisen, moniresoluutioisen perustamismallin kuun kaukokartoitukseen, sekä SomBench‑aineiston, yhteiskohdistetun kuun aineiston, jonka avulla mallia on koulutettu.

Ilmoituksessa, jonka päivämäärä on Yorktown Heights, New York, IBM kuvasi järjestelmän yhtenä ensimmäisenä julkisesti saatavilla olevana perustamismallina Kuun tieteelliseen tutkimukseen, koulutettuna laajalla kuun havainnointiaineistolla, jonka IBM:n ja NASA:n tutkijat ovat koonneet. Mallin painot on julkaistu Hugging Face -palvelussa Apache-2.0‑lisenssin alla, hienosäätökoodi ylläpidetään NASA‑IMPACT‑GitHub‑varastossa ja jatkokäyttö toteutetaan TerraTorchin kautta. Mallikortti esittelee julkaisun uudelleenkäytettävänä esityksenä kuun kaukokartoitukseen: enkooderin hienosäätö tai LoRA‑sovittaminen havaitsemiseen, segmentointiin ja tiheään regressioon LROC‑kuvissa sekä yhteiskohdistetuissa maastotuotteissa, käyttäen modaali‑osajoukkoja ja lohko‑ruudukkoja, jotka voivat poiketa esikoulutuksesta.

Ilmoituksen mukaan tutkijat voivat käyttää mallia useilla kuun tutkimusalueilla: ennustamaan, missä jää voi esiintyä pysyvästi varjostetuilla alueilla, jotka ovat vaikeasti havaittavissa, mutta voivat sisältää tulevalle Kuun tukikohdalle olennaisia resursseja; kartoittamaan Epäsäännöllisiä meri‑alueita (Irregular Mare Patches), vulkaanisia piirteitä, joita tutkijat tarkastelevat Kuun vulkaanisen historian ja lämpökehityksen ymmärtämiseksi; sekä havaitsemaan, kontekstualisoimaan ja luokittelemaan kraattereita, työ, joka paljastaa vihjeitä maaston iästä ja geologiasta ja auttaa NASA:a valitsemaan turvallisia laskeutumispaikkoja välttäen vaaroja kuten jyrkkiä rinteitä ja kiviä.

“NASA on vuosikymmeniä kerännyt poikkeuksellisen tieteellisen tietokannan Kuun suhteen, mutta datan kerääminen on vain osa tehtävää,” sanoi Kevin Murphy, NASA:n pääkonttorin pääasiallinen tieteellinen data‑virkamies ja toimiva päädata‑ ja AI‑virkamies, lisäten että malli osoittaa, mitä on mahdollista, kun tekoälyä sovelletaan NASA:n petatavuihin tieteellisessä dataan.

IBM totesi, että malli laajentaa kahden organisaation vakiintunutta yhteistyötä ja liittää Prithvi‑perheeseen avoimia perustamismalleja, jotka ovat saatavilla Hugging Facessa ja kattavat paikkatiedon, säätieteen, heliophysiikan ja nyt myös Kuun. Ilmoitus esittelee avoimen julkaisun laajempana visiona, jossa tutkijat aloittavat yhteisestä mallista ja sovittavat sen uusiin tehtäviin sen sijaan, että rakentaisivat jokaiselle tieteelliselle kysymykselle uuden algoritmisysteemin.

Juan Bernabe-Moreno, IBM Research Europe, UK ja Irlannin johtaja, sanoi mallin antavan tutkijoille perustan Kuun laajamittaiseen tutkimiseen, yhdistämällä havaintoja eri instrumenttien välillä, paljastaen kuvioita, joita on vaikea nähdä erillisinä, ja “tarjoten avoimen alustan, johon globaali tutkimusyhteisö voi rakentaa.”

Arkkitehtuuri ja esikoulutus

Mallikortti kuvaa ViT-B enkooderi‑dekooderia (768 dimensioita, 12 kerrosta, 12 huomion päätä), joka on koulutettu alusta alkaen SomBench: noin 2 miljoonaa yhteiskohdistettua kuun laattapakettia, jotka kattavat 11 modaalia kahdessa spatiaalisessa mittakaavassa: LROC:n kapeakulmaisen kameran kuvat noin 1 metrin tarkkuudella per pikseli ja laajakuvan kameran kuvat noin 100 metrin tarkkuudella per pikseli. Järjestelmä mukauttaa TerraMind‑maskattua token‑reseptiä kahdella laajennuksella. Jokaisen laatan hankintageometria, mukaan lukien valaistuskulmat, aurinkokehys‑ankkurit ja laatan jalanjälki, tokenisoidaan eksplisiittisinä enkooderin syötteinä; tekijät toteavat, että kuun pinnan ulkonäköä ohjaa enemmän valaistusgeometria kuin sisäinen pinnan vaihtelu. NAC‑ ja WAC‑ankkuroidut laatat koulutetaan myös yhdessä yhdistetyssä erä‑silmukassa natiivitarkkuudella, jolloin yksi painojoukko kattaa molemmat resoluutioperheet 100‑kerran mittakaavapoikkeaman yli.

Syötteet kattavat yhdeksän tiheää kuva‑tyyppistä kerrosta sekä kaksi sekvenssi‑tyyppistä kontekstimodaalia: per‑laatan optinen metadata, jossa on kahdeksan kenttää, ja staattisen karttakonteksti, jossa on 28 kenttää, peräisin Diviner‑, LOLA‑, Mini‑RF‑, Kaguya‑, WAC‑, GRAIL‑ ja Lunar Prospector ‑tuotteista. FlexiViT‑laattasisällys mahdollistaa tarkistuspisteen hienosäätämisen eri laattakokoihin ilman rungon uudelleenkoulutusta, ja modaali‑kohtainen tokenisointi sallii modaalien poistamisen tai lisäämisen hienosäätövaiheessa. Esikoulutus suoritettiin 16 H100‑GPU:lla 150 000 askeleen ajan globaalissa erässä 1 536 bf16‑muodossa, yhteensä noin 1 100 GPU‑tuntia, käyttäen yhdeksää modaali‑spesifistä VQ‑VAE‑tokenisoijaa FSQ‑kvantisoinnilla, DDPM‑dekooderia ja ristiinentropia‑tavoitetta diskreettisiä token‑sanastoja vastaan.

Raportoituja vertailutuloksia

IBM totesi, että malli ylittää laajasti käytetyt menetelmät jopa 23 % tarkemmin tunnistaen Kuun pinnan keskeisiä maantieteellisiä piirteitä, kuten mahdollisia jääkerrostumia, kraattereita ja vulkaanisia muodostumia. Viitaten NASA‑IBM:n tekniseen julkaisuun, yhtiö raportoi, että malli vähensi virhettä (RMSE) jopa 22 % verrattuna SwinV2‑B (ImageNet) -malliin tunnistaessa alueita, joilla on suuri mahdollisuus kuun jääön; kaatoi Irregular Mare Patches -alueiden laajuuden 3 % paremmin kuin SwinV2‑B käyttäen epätäydellisiä merkintöjä; ja saavutti huippumallien, kuten SwinV2‑B:n, tasavertaiset tulokset metrisen kraatterihavainnon osalta, ylittäen sen lähes 19 % noin 100‑metrin kontekstimittakaavassa käyttäen puolet koulutusdatasta.

Vertailutaulukko mallikortissa ilmoittaa napajään potentiaalin RMSE:n olevan 0,0293 täydellisellä hienosäädöllä, verrattuna 0,0377 parhaalle vertailumallille (SwinV2‑B) ja 0,0397 satunnaisen alustuskontrollille, ja tunnistaa jääpotentiaalin laajimmaksi marginaaliksi. Irregular Mare Patch -segmentoinnissa se raportoituu IoU1‑arvoksi 0,5709 verrattuna 0,5687 ConvNeXtV2‑B:lle, ja Robbins‑kraatterin havaitsemisessa WAC‑kuvissa mAP:ksi 0,2581 LoRA‑menetelmällä verrattuna 0,2420 SwinV2‑B:lle; kortti toteaa, että esikoulutetut variantit 50 % koulutusdatasta vastaavat jo tai ylittävät SwinV2‑B:n, joka on koulutettu koko aineistolla. Tekijät varoittavat, että NAC‑kraatteri- ja Irregular Mare Patch -vertailujen johtajia tulisi pitää vertailukelpoisina, koska marginaalit ovat pienempiä kuin siementen välinen hajonta. Vertailut suoritettiin TerraTorchin kautta lataajien, jakojen, augmentaation, häviön ja mittarien pysyessä vakiona eri rungossa, vertailumalleina ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+ ja SegFormer, raportoituina keskiarvoina ja keskihajontana viiden siemenen yli.

SomBench‑korpus ja ilmoitetut rajoitukset

IBM kertoi, että sen tiedemiehet yhteistyössä NASA:n kanssa rakensivat ensimmäisen avoimen lähdekoodin kuun aineiston kaltaisensa, keräten yli 30 tilallisesti kohdistettua kerrosta yhdeksästä instrumentista neljän mission aikana, mukaan lukien NASA:n Lunar Reconnaissance Orbiter‑ ja GRAIL‑mission sekä Japanin avaruustutkimusviraston SELENE/Kaguya. SomBench‑aineistokortti kuvaa kaksi rataa: WACLowRes, 963 609 laattaa, jotka kattavat 51,2 km 100 metrin tarkkuudella per pikseli, peräisin 54 080 laajakuvan kameran kokeellista tietuetta ja yhteensä 38 TB; ja NACHighRes, 1 000 113 laattaa, jotka kattavat 512 m 1 metrin tarkkuudella per pikseli, peräisin 1 095 kapeakulmaisen kameran tietuetta, yhteensä 1,4 TB. Korpus julkaistaan CC BY 4.0 -lisenssillä, ja koko aineisto isännöidään AWS:ssä. Jaot tehdään Lunar Transverse Mercator -vyöhykkeen tasolla 75 / 15 / 10‑tavoitteella, laatat, jotka leikkaavat kaksi vyöhykettä, poistetaan estämään spatiaalinen vuoto, ja testijako varataan jatkoarviointiin.

Mallikortti toteaa, että järjestelmä ei ole tieteellisesti laadukas generatiivinen tuote, se ei ylläpidä geodeettista referenssikehystä, eikä sitä ole validoitu operatiivisiin päätöksiin kuten laskeutumiskohdan sertifiointiin tai vaarojen poissulkemiseen; se myös huomauttaa, että jääpotentiaalin tulokset ovat tietopohjainen sumennettu päällys­kartta eikä mitattua jäätä. Listatut rajoitukset sisältävät ablaatiok contributionit, joita ei ole vielä eristetty, ja NAC‑esikoulutuksen rajoituksen 1 095 yhteiskohdistettuun kehykseen, kun taas aineistokortti mainitsee heterogeenisen spatiaalisen resoluution ja kymmenien metrien absoluuttisen geolokaatioepävarmuuden. Työtä rahoitti NASA palkkion No. 80MSFC25M0084 alla.