IBM と NASA、SomBench データセットを伴うオープンソース月面基盤モデルを公開

IBM と NASA は 2026 年 9 月 10 日に、月面リモートセンシング用のマルチモーダル・マルチ解像度基盤モデルである NASA‑IBM Lunar Foundation Model のオープンソースリリースを発表しました。同時に、それを訓練するために構築された共登録月面データセット SomBench も公開されました。

この発表はニューヨーク州ヨークタウンヘイツで行われ、IBM は本システムを「月面の科学的探査に利用できる、公開されている最初期の基盤モデルの一つ」と位置付け、IBM と NASA の研究者がキュレーションした大規模月面観測データセットで訓練されたと説明しました。モデルの重みは Hugging Face にて Apache-2.0 ライセンスの下で公開され、ファインチューニング用コードは NASA-IMPACT の GitHub リポジトリで管理され、下流の適応は TerraTorch を通じて行われます。モデルカードは本リリースを「月面リモートセンシング向けの再利用可能な表現」と位置付けており、LROC 画像や共登録地形製品上での検出、セグメンテーション、密な回帰のためにエンコーダをファインチューニングまたは LoRA で適応でき、事前学習とは異なるモダリティサブセットやパッチグリッドを使用できることを示しています:

発表によると、研究者は本モデルを月面研究の複数領域に適用できるとされています: 永久に影が落ちる領域で氷が存在する可能性を予測すること（観測が困難だが将来の月面基地に不可欠と考えられる資源）、不規則な海洋斑（Irregular Mare Patches）をマッピングし、月の火山史や熱進化を理解するための火山的特徴を調査すること、そしてクレーターを検出・文脈付け・分類することです。これにより地形の年代や地質に関する手がかりが得られ、NASA が急斜面や巨岩などの危険を回避しつつ安全な着陸地点を選定するのに役立ちます。

「NASA は何十年にもわたり月の卓越した科学記録を構築してきましたが、データ収集は仕事の一部に過ぎません」と NASA 本部のチーフサイエンスデータオフィサー兼暫定チーフデータ・AIオフィサーである Kevin Murphy は述べ、AI を NASA のペタバイト規模の科学データに適用した際に可能になることを強調しました。

IBM は本モデルが両組織間の確立された協力関係を拡張し、Hugging Face 上で提供されている Prithvi 系列のオープン基盤モデルファミリーに加わると述べました。このファミリーは地理空間、気象、ヘリオ物理学、そして今回の月面分野にまたがります。今回のオープンリリースは、研究者が共通のモデルから出発し、新たなタスクに適応することで、各科学的課題ごとに新しいアルゴリズムシステムを構築する必要がないという広範なビジョンを提示しています。

Juan Bernabe-Moreno 氏（IBM Research Europe、英国・アイルランド部門ディレクター）は、本モデルが科学者に対して大規模に月を探査する基盤を提供し、異なる観測機器間のデータを結び付け、単独では見えにくいパターンを明らかにし、「グローバルな研究コミュニティが構築できるオープンプラットフォーム」を提供すると述べました。

アーキテクチャと事前学習

モデルカードは、ViT-B エンコーダ‑デコーダ（次元 768、層 12、注意ヘッド 12）を SomBench 上でスクラッチから学習したことを記載しています。SomBench は 2 百万枚近くの共登録月面タイルバンドルで構成され、11 種類のモダリティを二つの空間スケール（LROC ナロウアングルカメラ画像は約 1 メートル／ピクセル、ワイドアングルカメラ画像は約 100 メートル／ピクセル）でカバーしています。システムは TerraMind のマスクトークン方式を二つの拡張で適用しています。タイルごとの取得ジオメトリ（照明角度、太陽座標、タイルフットプリント）を明示的なエンコーダ入力としてトークン化し、月面表面の外観は固有の表面変動よりも照明ジオメトリによって支配されると述べています。NAC と WAC のタイルはネイティブ解像度のまま単一の混合バッチループで同時に学習され、1 つの重みセットが 100 倍のスケール差を持つ両解像度ファミリーをカバーします。

入力は 9 つの高密度画像様レイヤーに加えて 2 つのシーケンス様コンテキストモダリティ（タイルごとの光学メタデータ 8 フィールド、Diviner、LOLA、Mini‑RF、Kaguya、WAC、GRAIL、Lunar Prospector 製品から抽出した 28 フィールドの静的マップコンテキスト）を含みます。FlexiViT パッチ埋め込みにより、バックボーンを再学習せずに他のパッチサイズでのファインチューニングが可能で、モダリティ単位のトークン化によりファインチューニング時にモダリティの追加・除去が容易です。事前学習は 16 台の H100 GPU 上で 150,000 ステップ、バッチサイズ 1,536（bf16）で実行され、約 1,100 GPU 時間を要しました。使用したトークナイザは 9 種類のモダリティ固有 VQ‑VAE トークナイザ（FSQ 量子化）と DDPM デコーダ、離散トークン語彙に対するクロスエントロピー目的関数です。

報告されたベンチマーク結果

IBM は本モデルが月面表面の主要地形特徴（氷の埋蔵可能性、クレーター、火山形成物）を特定する際、広く使用されている手法を最大 23% 上回ると述べています。NASA‑IBM の技術論文を引用し、氷の潜在的埋蔵領域の特定において SwinV2‑B（ImageNet）モデルと比較して RMSE が最大 22% 減少したこと、Irregular Mare Patches の範囲を SwinV2‑B より 3% 高精度で捉えたこと（ラベルは不完全）、そしてメートルスケールのクレーター検出において SwinV2‑B と同等の性能を示しつつ、約 100 メートルのコンテキストスケールでは訓練データの半分でほぼ 19% の優位性を示したことを報告しています。

モデルカードに掲載されたベンチマーク表では、極域氷予測の RMSE がフルファインチューニングで 0.0293、ベストベースライン（SwinV2‑B）は 0.0377、ランダム初期化コントロールは 0.0397 と示され、氷予測が最も大きな差を示しています。Irregular Mare Patch のセグメンテーションでは IoU1 が 0.5709、ConvNeXtV2‑B の 0.5687 を上回り、WAC 画像上の Robbins クレーター検出では LoRA を用いた場合の mAP が 0.2581、SwinV2‑B の 0.2420 を上回っています。カードは、訓練データの 50% で学習したバリエーションでもフルセットで学習した SwinV2‑B と同等かそれ以上の性能を示すと記載しています。著者は、NAC クレーターと Irregular Mare Patch のベンチマークでのリーダーは、シード間のばらつきが小さいため比較可能であると注意しています。ベンチマークは TerraTorch 上で実行され、ローダー、データ分割、データ拡張、ロス、評価指標は全バックボーンで固定され、ベースラインには ResNet‑50、ViT‑B MAE、ConvNeXt‑B、ConvNeXt‑V2‑B、SwinV2‑B、DaViT‑B、DeepLabV3+、SegFormer が含まれ、5 つのシードに対する平均と標準偏差で報告されています。

SomBench コーパスと明示された制限事項

IBM は同社の科学者が NASA と協働し、同種初のオープンソース月面データセットを構築したと述べています。このデータセットは 9 つの機器から 4 つのミッション（NASA の Lunar Reconnaissance Orbiter と GRAIL、そして日本航空宇宙探索局（JAXA）の SELENE/Kaguya）にわたる 30 以上の空間的に整合したレイヤーを集約しています。SomBench データセットカードは二つのトラックを記載しています: WACLowRes、963,609 タイルで 100 メートル／ピクセル、54,080 件の Wide Angle Camera 実験データレコードから抽出され総容量 38 TB；および NACHighRes、1,000,113 タイルで 1 メートル／ピクセル、1,095 件の Narrow Angle Camera 記録から抽出され総容量 1.4 TB。コーパスは CC BY 4.0 ライセンスで公開され、完全データは AWS 上にホストされています。データ分割は月面横メルカトルゾーン単位で 75/15/10 の比率で割り当てられ、二つのゾーンに跨るタイルは空間リーク防止のため除外され、テスト分割は下流評価専用に確保されています。

モデルカードは、本システムが科学的グレードの生成型製品ではなく、測地参照フレームを保持せず、着陸地点認証やハザード除去といった運用上の意思決定に対して検証されていないこと、また氷予測出力は測定された氷ではなく、知識駆動型のファジーオーバーレイマップを回帰していることを明記しています。列挙された制限事項としては、アブレーション貢献がまだ分離されていないこと、NAC の事前学習が 1,095 枚の共登録フレームに限定されていること、データセットカードで指摘されている空間分解能の不均一性と数メートル規模の絶対位置不確かさが挙げられます。本研究は NASA の助成金（Award No. 80MSFC25M0084）の支援を受けて実施されました。