IBM과 NASA, SomBench 데이터셋과 함께 오픈소스 달 기반 모델 공개

IBM과 NASA는 2026년 9월 10일 발표하면서 달 원격 탐사를 위한 다중 모달·다중 해상도 기반 모델인 NASA-IBM Lunar Foundation Model의 오픈소스 공개와 이를 학습하기 위해 구축된 공동 등록 달 데이터셋 SomBench를 동시에 공개했습니다.

뉴욕 요크타운 하이츠에서 발표된 보도자료에서 IBM은 이 시스템을 달 과학 탐사를 위한 최초의 공개 기반 모델 중 하나로 설명했으며, IBM과 NASA 연구원이 큐레이션한 방대한 달 관측 데이터셋을 기반으로 학습되었다고 밝혔습니다. 모델 가중치는 Hugging Face에 Apache-2.0 라이선스로 공개되며, 파인튜닝 코드는 NASA-IMPACT GitHub 저장소에서 관리되고, 하위 적용은 TerraTorch를 통해 처리됩니다. 모델 카드는 이번 공개를 달 원격 탐사를 위한: 파인튜닝 또는 LoRA‑adapted 인코더를 사용해 탐지, 분할, 고밀도 회귀를 수행하고, 사전 학습과는 다른 모달리티 서브셋 및 패치 그리드를 적용할 수 있는 재사용 가능한 표현으로 정의합니다.

보도자료에 따르면 연구자들은 이 모델을 달 연구의 여러 분야에 적용할 수 있다고 합니다: 영구적인 그림자 지역에서 얼음이 존재할 가능성이 있는 위치를 예측(관측이 어려우면서도 미래 달 기지에 필수적인 자원으로 여겨짐), 불규칙한 마레 패치(Irregular Mare Patches)를 매핑하여 달의 화산 역사와 열 진화를 이해하고, 충돌구를 탐지·맥락화·분류함으로써 지형 연령 및 지질에 대한 단서를 제공하고, 가파른 경사와 바위와 같은 위험을 피하면서 NASA가 안전한 착륙지를 선택하도록 돕는 작업을 포함합니다.

“NASA는 수십 년에 걸쳐 달에 대한 뛰어난 과학 기록을 구축해 왔지만, 데이터 수집은 작업의 일부에 불과합니다,” 라고 NASA 본부의 수석 과학 데이터 책임자이자 현 데이터·AI 담당 최고 책임자인 Kevin Murphy가 말했으며, 이 모델이 NASA의 페타바이트 규모 과학 데이터에 AI를 적용했을 때 가능한 모습을 보여준다고 덧붙였습니다.

IBM은 이 모델이 양 기관 간의 기존 협력을 확대하며, 지리공간, 기상, 태양물리학 분야의 오픈 기반 모델을 포함하는 Hugging Face의 Prithvi 패밀리에 달 분야까지 추가된다고 밝혔습니다. 이번 오픈 공개는 연구자들이 공유 모델을 시작점으로 삼아 새로운 작업에 맞게 조정하고, 각 과학적 질문마다 새로운 알고리즘 시스템을 구축하는 대신에 활용할 수 있다는 보다 넓은 비전을 제시합니다.

Juan Bernabe-Moreno IBM Research Europe(영국 및 아일랜드) 이사는 이 모델이 과학자들에게 대규모로 달을 탐사할 수 있는 기반을 제공하며, 다양한 기기의 관측을 연결하고 개별적으로는 파악하기 어려운 패턴을 드러내고, “전 세계 연구 커뮤니티가 기반으로 삼을 수 있는 오픈 플랫폼을 제공한다”고 말했습니다.

아키텍처 및 사전 학습

모델 카드는 ViT-B 인코더‑디코더(768 차원, 12 레이어, 12 어텐션 헤드)를 SomBench: 약 200만 개의 공동 등록 달 타일 번들을 사용해 처음부터 학습했다고 설명합니다. 이 번들은 11가지 모달리티를 두 가지 공간 스케일(약 1미터/픽셀인 LROC 협소각 카메라 이미지와 약 100미터/픽셀인 광각 카메라 이미지)으로 포괄합니다. 시스템은 TerraMind 마스크 토큰 레시피에 두 가지 확장을 적용합니다. 타일별 획득 기하학(조명 각도, 태양 프레임 앵커, 타일 발자국 등)은 명시적인 인코더 입력으로 토큰화되며, 저자들은 달 표면의 외관이 내재된 표면 변동보다 조명 기하학에 더 크게 좌우된다고 주장합니다. NAC와 WAC에 앵커된 타일은 원시 해상도에서 단일 혼합 배치 루프로 함께 학습되어, 하나의 가중치 세트가 100배 스케일 차이를 가진 두 해상도 계열을 모두 포괄합니다.

입력은 9개의 밀집 이미지와 유사한 레이어와 2개의 시퀀스와 유사한 컨텍스트 모달리티: 타일당 광학 메타데이터(8개 필드)와 Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL, Lunar Prospector 제품에서 추출한 28개 필드의 정적 지도 컨텍스트를 포함합니다. FlexiViT 패치 임베딩을 통해 백본을 재학습하지 않고도 다른 패치 크기로 체크포인트를 파인튜닝할 수 있으며, 모달리티별 토큰화 덕분에 파인튜닝 시 모달리티를 선택적으로 제외하거나 추가할 수 있습니다. 사전 학습은 16개의 H100 GPU에서 전역 배치 1,536, bf16 형식으로 150,000 스텝을 수행했으며, 총 약 1,100 GPU‑시간이 소요되었습니다. 이 과정에서는 9가지 모달리티 전용 VQ‑VAE 토크나이저(FSQ 양자화), DDPM 디코더, 그리고 이산 토큰 어휘에 대한 교차 엔트로피 목표가 사용되었습니다.

보고된 벤치마크 결과

IBM은 이 모델이 달 표면의 주요 지형 특징(잠재적인 얼음 매장지, 충돌구, 화산 구조 등)을 식별하는 데 있어 기존 널리 사용되는 방법보다 최대 23% 높은 성능을 보인다고 밝혔습니다. NASA‑IBM 기술 논문을 인용하면, 이 모델은 달 얼음 가능성이 높은 지역을 식별할 때 SwinV2‑B(ImageNet) 모델에 비해 오차(RMSE)를 최대 22% 감소시켰으며, 불완전한 라벨을 사용하면서도 Irregular Mare Patches의 범위를 SwinV2‑B보다 3% 더 정확하게 포착했고, 미터 규모 충돌구 탐지에서는 SwinV2‑B와 동등한 수준을 유지하면서 약 100미터 컨텍스트 스케일에서 절반의 학습 데이터만 사용해 거의 19% 더 높은 성능을 보였습니다.

모델 카드에 실린 벤치마크 표는 극지 얼음 가능성에 대한 RMSE가 전체 파인튜닝 시 0.0293이며, 최상의 베이스라인인 SwinV2‑B는 0.0377, 무작위 초기화 컨트롤은 0.0397임을 보여주며, 얼음 가능성이 가장 큰 차이를 보이는 지표라고 명시합니다. Irregular Mare Patch 분할에서는 ConvNeXtV2‑B의 0.5687에 비해 0.5709의 IoU1을 기록했으며, WAC 이미지에서 Robbins 충돌구 탐지는 LoRA를 적용한 경우 mAP 0.2581로 SwinV2‑B의 0.2420을 능가했습니다. 또한, 학습 데이터의 50%만 사용한 사전 학습 변형도 전체 데이터를 사용한 SwinV2‑B와 동등하거나 능가한다는 점을 강조합니다. 저자들은 NAC 충돌구와 Irregular Mare Patch 벤치마크에서의 최고 성능이 시드 간 차이보다 작기 때문에 이를 직접 비교할 때 주의가 필요하다고 경고합니다. 벤치마크는 TerraTorch를 사용해 로더, 분할, 증강, 손실 및 메트릭을 백본 전반에 걸쳐 고정한 상태에서 수행되었으며, ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+, SegFormer 등을 베이스라인으로 사용해 다섯 개 시드에 대한 평균 및 표준 편차로 보고되었습니다.

SomBench 코퍼스 및 명시된 제한 사항

IBM은 자사의 과학자들이 NASA와 협력해 이와 같은 최초의 오픈소스 달 데이터셋을 구축했으며, 9개의 기기가 4개의 임무에서 제공한 30개가 넘는 공간 정렬 레이어를 집계했다고 밝혔습니다. 여기에는 NASA의 Lunar Reconnaissance Orbiter와 GRAIL 임무, 그리고 일본 우주항공연구개발기관(JAXA)의 SELENE/Kaguya가 포함됩니다. SomBench 데이터셋 카드는 두 가지 트랙을 설명합니다: WACLowRes, 963,609 타일이 100미터/픽셀 해상도로 51.2km를 커버하며 54,080개의 Wide Angle Camera 실험 데이터 레코드에서 추출되어 총 38TB; 그리고 NACHighRes, 1,000,113 타일이 1미터/픽셀 해상도로 512m를 커버하며 1,095개의 Narrow Angle Camera 레코드에서 추출되어 총 1.4TB. 코퍼스는 CC BY 4.0 라이선스로 공개되며, 전체 데이터셋은 AWS에 호스팅됩니다. 분할은 달 횡단 메르카토르 구역 수준에서 75/15/10 비율로 지정되며, 두 구역에 걸치는 타일은 공간 누수를 방지하기 위해 제외되고, 테스트 분할은 하위 평가를 위해 별도로 보관됩니다.

모델 카드는 이 시스템이 과학 수준의 생성 제품이 아니며, 측지 기준 프레임을 유지하지 않고, 착륙지 인증이나 위험 제거와 같은 운영적 의사결정에 대해 검증되지 않았다고 명시합니다. 또한 얼음 가능성 출력이 측정된 얼음이 아니라 지식 기반의 퍼지 오버레이 지도에 회귀한다는 점을 언급합니다. 나열된 제한 사항으로는 아직 분리되지 않은 어블레이션 기여와 NAC 사전 학습이 1,095개의 공동 등록 프레임으로 제한된 점, 데이터셋 카드에서는 이질적인 공간 해상도와 수십 미터 수준의 절대 위치 불확실성을 지적합니다. 이 연구는 NASA가 Award No. 80MSFC25M0084 번호로 지원했습니다.