IBM dan NASA Rilis Model Fondasi Bulan Open-Source dengan Dataset SomBench

IBM dan NASA pada 10 September 2026 mengumumkan rilis open-source Model Fondasi Lunar NASA-IBM, sebuah model fondasi multimodal multi-resolusi untuk penginderaan jauh lunar, bersama dengan SomBench, dataset lunar terkoordinasi yang dibangun untuk melatihnya.

Dalam pengumuman yang bertanggal dari Yorktown Heights, New York, IBM menggambarkan sistem ini sebagai salah satu model fondasi yang pertama kali tersedia secara publik untuk eksplorasi ilmiah Bulan, dilatih pada dataset observasi lunar yang luas yang disusun oleh peneliti IBM dan NASA. Bobot model dipublikasikan di Hugging Face dengan lisensi Apache-2.0, dengan kode fine-tuning dipelihara dalam repositori GitHub NASA-IMPACT dan adaptasi downstream ditangani melalui TerraTorch. Kartu model menyajikan rilis ini sebagai representasi yang dapat digunakan kembali untuk penginderaan jauh lunar: fine-tuning atau adaptasi LoRA pada encoder untuk deteksi, segmentasi, dan regresi padat pada citra LROC serta produk medan yang terkoordinasi, dengan subset modality dan grid patch yang dapat berbeda dari pretraining.

Menurut pengumuman tersebut, peneliti dapat menerapkan model ini pada beberapa bidang studi lunar: memprediksi lokasi es yang mungkin terdapat di wilayah yang selalu berada dalam bayangan, yang sulit diamati namun dapat menyimpan sumber daya penting bagi basis Bulan masa depan; memetakan Irregular Mare Patches, fitur vulkanik yang dipelajari ilmuwan untuk memahami sejarah vulkanik Bulan dan evolusi termalnya; serta mendeteksi, memberikan konteks, dan mengklasifikasikan kawah, pekerjaan yang mengungkap petunjuk tentang usia medan dan geologi serta membantu NASA memilih situs pendaratan yang aman sambil menghindari bahaya seperti lereng curam dan batu besar.

“NASA telah menghabiskan puluhan tahun membangun catatan ilmiah yang luar biasa tentang Bulan, namun pengumpulan data hanyalah sebagian dari pekerjaan,” kata Kevin Murphy, chief science data officer dan acting chief data and AI officer di NASA Headquarters, menambahkan bahwa model ini menunjukkan apa yang mungkin terjadi ketika AI diterapkan pada petabytes data ilmiah NASA.

IBM menyatakan bahwa model ini memperluas kolaborasi yang sudah mapan antara kedua organisasi dan bergabung dengan keluarga Prithvi dari model fondasi terbuka yang tersedia di Hugging Face, mencakup geospasial, cuaca, heliofisika, dan kini Bulan. Pengumuman tersebut menyajikan rilis terbuka ini sebagai visi yang lebih luas di mana peneliti memulai dari model bersama dan menyesuaikannya untuk tugas baru alih-alih membangun sistem algoritma baru untuk setiap pertanyaan ilmiah.

Juan Bernabe-Moreno, Direktur IBM Research Europe, UK dan Irlandia, mengatakan model ini memberikan ilmuwan fondasi untuk menjelajahi Bulan secara skala besar, menghubungkan pengamatan lintas instrumen, mengungkap pola yang sulit dilihat secara terpisah, dan “menyediakan platform terbuka yang dapat dibangun oleh komunitas riset global.”

Arsitektur dan Pretraining

Kartu model menjelaskan sebuah encoder-decoder ViT-B (768 dimensi, 12 lapisan, 12 kepala perhatian) yang dilatih dari awal pada SomBench: kira-kira 2 juta bundel ubin lunar terkoordinasi yang mencakup 11 modality pada dua skala spasial, citra LROC Narrow Angle Camera dengan resolusi sekitar 1 meter per piksel dan citra Wide Angle Camera dengan resolusi sekitar 100 meter per piksel. Sistem ini mengadaptasi resep token tersembunyi TerraMind dengan dua ekstensi. Geometri akuisisi per-ubin, termasuk sudut iluminasi, jangkar kerangka matahari, dan jejak ubin, ditokenisasi sebagai masukan encoder eksplisit; penulis menyatakan bahwa penampilan permukaan lunar lebih dipengaruhi oleh geometri iluminasi daripada variasi permukaan intrinsik. Ubin yang berjangkar NAC dan WAC juga dilatih bersama dalam satu loop batch campuran pada resolusi asli, sehingga satu set bobot mencakup kedua keluarga resolusi melintasi kesenjangan skala 100×.

Masukan mencakup sembilan lapisan padat mirip gambar ditambah dua modality konteks mirip urutan: metadata optik per-ubin dengan delapan bidang dan konteks peta statis dengan 28 bidang yang diambil dari produk Diviner, LOLA, Mini-RF, Kaguya, WAC, GRAIL, dan Lunar Prospector. Embedding patch FlexiViT memungkinkan checkpoint di-fine-tune pada ukuran patch lain tanpa melatih ulang backbone, dan tokenisasi per-modality memungkinkan modality ditambahkan atau dihapus saat fine-tuning. Pretraining dijalankan pada 16 GPU H100 selama 150.000 langkah dengan batch global 1.536 dalam bf16, total kira-kira 1.100 jam GPU, menggunakan sembilan tokenizer VQ-VAE khusus modality dengan kuantisasi FSQ, decoder DDPM, dan tujuan cross-entropy atas kosakata token diskrit.

Hasil Benchmark yang Dilaporkan

IBM menyatakan bahwa model ini melampaui metode yang banyak digunakan hingga 23% dalam mengidentifikasi fitur geografis utama pada permukaan Bulan, termasuk potensi deposit es, kawah, dan formasi vulkanik. Mengutip makalah teknis NASA-IBM, perusahaan melaporkan bahwa model ini mengurangi kesalahan (RMSE) hingga 22% dibandingkan model SwinV2-B (ImageNet) saat mengidentifikasi area dengan potensi tinggi es lunar; menangkap luas Irregular Mare Patches 3% lebih baik daripada SwinV2-B meskipun menggunakan label yang tidak sempurna; dan menyamai model state-of-the-art seperti SwinV2-B pada deteksi kawah skala meter sekaligus mengunggulinya hampir 19% pada skala konteks sekitar 100 meter dengan menggunakan setengah data pelatihan.

Tabel benchmark pada kartu model melaporkan RMSE prospektivitas es kutub sebesar 0,0293 dengan fine-tuning penuh, dibandingkan 0,0377 untuk baseline terbaik (SwinV2-B) dan 0,0397 untuk kontrol inisialisasi acak, dan mengidentifikasi prospektivitas es sebagai selisih terlebar. Untuk segmentasi Irregular Mare Patch dilaporkan IoU1 sebesar 0,5709 dibandingkan 0,5687 untuk ConvNeXtV2-B, dan untuk deteksi kawah Robbins pada citra WAC mAP sebesar 0,2581 menggunakan LoRA dibandingkan 0,2420 untuk SwinV2-B; kartu menyatakan bahwa varian pra‑latih dengan 50% data pelatihan sudah menyamai atau melampaui SwinV2-B yang dilatih dengan set lengkap. Penulis memperingatkan bahwa pemimpin pada benchmark kawah NAC dan Irregular Mare Patch harus diperlakukan sebagai setara karena selisihnya lebih kecil daripada variasi antar seed. Benchmark dijalankan melalui TerraTorch dengan loader, split, augmentasi, loss, dan metrik yang tetap konstan di seluruh backbone, dengan baseline termasuk ResNet-50, ViT-B MAE, ConvNeXt-B, ConvNeXt-V2-B, SwinV2-B, DaViT-B, DeepLabV3+, dan SegFormer, dilaporkan sebagai rata‑rata dan deviasi standar dari lima seed.

Korpus SomBench dan Batasan yang Dinyatakan

IBM menyatakan bahwa ilmuwannya, bekerja sama dengan NASA, membangun dataset lunar open-source pertama sejenisnya, menggabungkan lebih dari 30 lapisan yang selaras secara spasial dari sembilan instrumen pada empat misi, termasuk Lunar Reconnaissance Orbiter NASA dan misi GRAIL serta SELENE/Kaguya milik Japanese Aerospace Exploration Agency. Kartu dataset SomBench menjelaskan dua jalur: WACLowRes, 963,609 ubin yang mencakup 51.2 kilometer dengan resolusi 100 meter per piksel diambil dari 54,080 Rekaman Data Eksperimen Wide Angle Camera dengan total 38 TB; dan NACHighRes, 1,000,113 ubin yang mencakup 512 meter dengan resolusi 1 meter per piksel dari 1,095 rekaman Narrow Angle Camera, total 1.4 TB. Korpus ini dirilis di bawah lisensi CC BY 4.0, dengan dataset lengkap dihosting di AWS. Pembagian data ditetapkan pada level zona Lunar Transverse Mercator dengan target 75/15/10, ubin yang melintasi dua zona dibuang untuk mencegah kebocoran spasial, dan split tes disiapkan untuk evaluasi downstream.

Kartu model menyatakan bahwa sistem ini bukan produk generatif kelas ilmiah, tidak mempertahankan kerangka referensi geodetik, dan tidak divalidasi untuk keputusan operasional seperti sertifikasi lokasi pendaratan atau pembersihan bahaya; juga dicatat bahwa output prospektivitas es merupakan regresi peta overlay fuzzy berbasis pengetahuan bukan es yang diukur. Batasan yang tercantum meliputi kontribusi ablasi yang belum terisolasi dan pretraining NAC yang terbatas pada 1,095 frame terkoordinasi, sementara kartu dataset mencatat resolusi spasial yang heterogen dan ketidakpastian geolokasi absolut berukuran puluhan meter. Pekerjaan ini didukung oleh NASA di bawah Award No. 80MSFC25M0084.