IBM en NASA Open-Source Lunar Foundation Model met SomBench-dataset

IBM en NASA kondigden op 10 september 2026 aan dat ze de open‑source release van het NASA‑IBM Lunar Foundation Model hebben uitgebracht, een multimodaal, multi‑resolutie foundation‑model voor maan‑remote sensing, samen met SomBench, de co‑geregistreerde maangedataset die is gebouwd om het te trainen.

In de aankondiging, gedateerd vanuit Yorktown Heights, New York, beschreef IBM het systeem als een van de eerste publiek beschikbare foundation‑modellen voor wetenschappelijke verkenning van de maan, getraind op een uitgebreide maankijk‑dataset samengesteld door IBM‑ en NASA‑onderzoekers. Modelgewichten worden gepubliceerd op Hugging Face onder de Apache‑2.0‑licentie, met fine‑tuning‑code onderhouden in een NASA‑IMPACT‑GitHub‑repository en downstream‑aanpassing afgehandeld via TerraTorch. Het modelcard presenteert de release als een herbruikbare representatie voor maan‑remote sensing: fine‑tuning of LoRA‑aanpassing van de encoder voor detectie, segmentatie en dichte regressie op LROC‑beelden en co‑geregistreerde terreinproducten, met modaliteit‑subsets en patch‑roosters die kunnen afwijken van de pre‑training.

Volgens de aankondiging kunnen onderzoekers het model toepassen op verschillende takken van maanstudie: het voorspellen waar ijs aanwezig kan zijn in permanent verduisterde gebieden, die moeilijk te observeren zijn maar mogelijk bronnen bevatten die essentieel worden geacht voor een toekomstige maanbasis; het in kaart brengen van Irregular Mare Patches, vulkanische kenmerken die wetenschappers bestuderen om de vulkanische geschiedenis en thermische evolutie van de maan te begrijpen; en het detecteren, contextualiseren en classificeren van kraters, werk dat aanwijzingen geeft over de leeftijd en geologie van het terrein en NASA helpt veilige landingsplaatsen te selecteren terwijl gevaren zoals steile hellingen en rotsblokken worden vermeden.

“NASA heeft decennialang een buitengewoon wetenschappelijk archief van de maan opgebouwd, maar gegevens verzamelen is slechts een deel van de taak,” zei Kevin Murphy, chief science data officer en waarnemend chief data and AI officer bij NASA Headquarters, en voegde eraan toe dat het model laat zien wat mogelijk is wanneer AI wordt toegepast op NASA’s petabytes aan wetenschappelijke data.

IBM stelde dat het model de gevestigde samenwerking tussen de twee organisaties uitbreidt en zich voegt bij de Prithvi-familie van open foundation‑modellen die beschikbaar zijn op Hugging Face, variërend van geospatiaal, weer, heliophysica en nu de maan. De aankondiging presenteert de open release als een bredere visie waarin onderzoekers beginnen met een gedeeld model en dit aanpassen aan nieuwe taken in plaats van voor elke wetenschappelijke vraag een nieuw algoritmisch systeem te bouwen.

Juan Bernabe-Moreno, directeur van IBM Research Europe, VK en Ierland, zei dat het model wetenschappers een basis biedt om de maan op grote schaal te verkennen, observaties over verschillende instrumenten heen te verbinden, patronen te onthullen die moeilijk in isolatie te zien zijn, en “een open platform biedt waarop de wereldwijde onderzoeksgemeenschap kan voortbouwen.”

Architectuur en Pretraining

Het modelcard beschrijft een ViT‑B encoder‑decoder (768 dimensies, 12 lagen, 12 aandachtshoofden) die vanaf nul is getraind op SomBench: ongeveer 2 miljoen co‑geregistreerde maantegelbundels die 11 modaliteiten beslaan op twee ruimtelijke schalen, LROC Narrow Angle Camera‑beelden met ongeveer 1 meter per pixel en Wide Angle Camera‑beelden met ongeveer 100 meter per pixel. Het systeem past het TerraMind masked‑token‑recept aan met twee uitbreidingen. Per‑tegel acquisitie‑geometrie, inclusief verlichtingshoeken, zonne‑frame ankers en tegel‑voetafdruk, wordt getokeniseerd als expliciete encoder‑invoer; de auteurs stellen dat het uiterlijk van het maanoppervlak meer wordt bepaald door de verlichtingsgeometrie dan door intrinsieke oppervlakvariatie. NAC‑ en WAC‑geankerde tegels worden ook samen getraind in één gemengde batch‑lus op native resolutie, zodat één set gewichten beide resolutiefamilies dekt over een schaalverschil van 100×.

De invoer omvat negen dichte, beeld‑achtige lagen plus twee sequentie‑achtige contextmodaliteiten: per‑tegel optische metadata met acht velden en statische kaart‑context met 28 velden afkomstig van Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL en Lunar Prospector‑producten. Een FlexiViT patch‑embedding maakt het mogelijk om het checkpoint bij andere patch‑groottes te fine‑tunen zonder de backbone opnieuw te trainen, en modaliteit‑specifieke tokenisatie maakt het mogelijk modaliteiten te verwijderen of toe te voegen tijdens fine‑tuning. De pre‑training werd uitgevoerd op 16 H100‑GPU’s voor 150.000 stappen met een globale batch van 1.536 in bf16, goed voor ongeveer 1.100 GPU‑uren, met gebruik van negen modaliteit‑specifieke VQ‑VAE‑tokenizers met FSQ‑kwantisatie, een DDPM‑decoder en een cross‑entropy‑doel over discrete token‑vocabularia.

Gerapporteerde Benchmarkresultaten

IBM meldde dat het model de algemeen gebruikte methoden met tot 23 % overtreft bij het identificeren van belangrijke geografische kenmerken op het maanoppervlak, waaronder potentiële ijsafzettingen, kraters en vulkanische formaties. Met verwijzing naar een NASA‑IBM technisch artikel rapporteerde het bedrijf dat het model de fout (RMSE) met tot 22 % verminderde ten opzichte van het SwinV2‑B (ImageNet) model bij het identificeren van gebieden met een hoog potentieel voor maanjes; de omvang van Irregular Mare Patches 3 % beter vastlegde dan SwinV2‑B terwijl onvolmaakte labels werden gebruikt; en evenaarde state‑of‑the‑art modellen zoals SwinV2‑B bij kraterdetectie op meter‑schaal, terwijl het model bijna 19 % beter presteerde op een context‑schaal van ongeveer 100 meter met de helft van de trainingsdata.

De benchmark‑tabel op het modelcard meldt een RMSE voor polair ijs‑prospectiviteit van 0,0293 bij volledige fine‑tuning, tegenover 0,0377 voor de beste baseline (SwinV2‑B) en 0,0397 voor een random‑initialisatie‑controle, en identificeert ijs‑prospectiviteit als de grootste marge. Voor de segmentatie van Irregular Mare Patches rapporteert het een IoU1 van 0,5709 tegenover 0,5687 voor ConvNeXtV2‑B, en voor Robbins‑kraterdetectie op WAC‑beelden een mAP van 0,2581 met LoRA tegenover 0,2420 voor SwinV2‑B; het kaart vermeldt dat voorgetrainde varianten met 50 % van de trainingsdata al gelijk of beter presteren dan SwinV2‑B getraind op de volledige set. De auteurs waarschuwen dat de leiders op de NAC‑krater‑ en Irregular Mare Patch‑benchmarks als vergelijkbaar moeten worden beschouwd omdat de marges kleiner zijn dan de spreiding over seeds. Benchmarks werden uitgevoerd via TerraTorch met loaders, splits, augmentaties, verlies en metriek constant gehouden over verschillende backbones, met baselines waaronder ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+ en SegFormer, gerapporteerd als gemiddelde en standaarddeviatie over vijf seeds.

SomBench‑corpus en Vermelde Beperkingen

IBM meldde dat haar wetenschappers, in samenwerking met NASA, de eerste open‑source maangedataset van dit type hebben gebouwd, met meer dan 30 ruimtelijk uitgelijnde lagen van negen instrumenten over vier missies, waaronder NASA’s Lunar Reconnaissance Orbiter‑ en GRAIL‑missie en de Japanse Aerospace Exploration Agency’s SELENE/Kaguya. De SomBench dataset‑card beschrijft twee sporen: WACLowRes, 963.609 tegels die 51,2 kilometer bestrijken met 100 meter per pixel, afkomstig van 54.080 Wide Angle Camera Experiment Data Records en in totaal 38 TB; en NACHighRes, 1.000.113 tegels die 512 meter bestrijken met 1 meter per pixel uit 1.095 Narrow Angle Camera‑records, in totaal 1,4 TB. Het corpus wordt uitgebracht onder een CC BY 4.0‑licentie, met de volledige dataset gehost op AWS. Splits worden toegewezen op Lunar Transverse Mercator‑zone‑niveau met een doelverdeling van 75/15/10; tegels die twee zones overlappen worden verwijderd om ruimtelijke lekken te voorkomen, en de test‑split wordt gereserveerd voor downstream‑evaluatie.

Het modelcard stelt dat het systeem geen wetenschappelijk‑grade product is, geen geodetisch referentiekader hanteert en niet gevalideerd is voor operationele beslissingen zoals certificering van landingsplaatsen of gevaar‑vrijgave; het merkt ook op dat de ijs‑prospectiviteit‑uitvoer een kennis‑gedreven fuzzy‑overlay‑kaart regresseert in plaats van gemeten ijs. Vermelde beperkingen omvatten ablatie‑bijdragen die nog niet geïsoleerd zijn en NAC‑pre‑training beperkt tot 1.095 co‑geregistreerde frames, terwijl de dataset‑card wijst op heterogene ruimtelijke resolutie en een absolute geolocatie‑onzekerheid van tientallen meters. Het werk werd ondersteund door NASA onder Award No. 80MSFC25M0084.