IBM og NASA åpner kildekode Lunar Foundation-modell med SomBench-datasettet

IBM og NASA kunngjorde 10. september 2026 kunngjorde den åpne kildekode‑utgivelsen av NASA‑IBM Lunar Foundation Model, en multimodal, fleroppløsnings‑foundation‑modell for fjernmåling av Månen, sammen med SomBench, det ko‑registrerte månedatasettet som er bygget for å trene den.

I kunngjøringen, datert fra Yorktown Heights, New York, beskrev IBM systemet som en av de første offentlig tilgjengelige foundation‑modellene for vitenskapelig utforskning av Månen, trent på et omfattende måneobservasjonsdatasett kurert av IBM‑ og NASA‑forskere. Modellvektene er publisert på Hugging Face under Apache‑2.0‑lisensen, med fin‑tuning‑kode vedlikeholdt i et NASA‑IMPACT‑GitHub‑repo og etterfølgende tilpasning håndtert via TerraTorch. Modellkortet rammer inn utgivelsen som en gjenbrukbar representasjon for fjernmåling av Månen: fin‑tuning eller LoRA‑tilpasning av enkoderen for deteksjon, segmentering og tett regresjon på LROC‑bilder og ko‑registrerte terrengprodukter, med modalitetsundersett og rutenett som kan avvike fra forhåndstreningen.

I følge kunngjøringen kan forskere bruke modellen på flere områder innen månestudier: forutsi hvor is kan forekomme i permanent skyggefulle regioner, som er vanskelige å observere men kan inneholde ressurser som er essensielle for en fremtidig månebase; kartlegge Irregular Mare Patches, vulkanske trekk som forskere studerer for å forstå månens vulkanske historie og termiske utvikling; samt oppdage, sette i kontekst og klassifisere kratre, arbeid som avslører ledetråder om terrengalder og geologi og hjelper NASA med å velge trygge landingssteder samtidig som farer som bratte skråninger og steiner unngås.

«NASA har brukt tiår på å bygge et enestående vitenskapelig register over Månen, men innsamling av data er bare en del av oppgaven», sa Kevin Murphy, chief science data officer og fungerende chief data and AI officer ved NASA Headquarters, og la til at modellen viser hva som er mulig når AI bringes inn i NASAs petabyte‑mengde av vitenskapelige data.

IBM sa at modellen utvider et etablert samarbeid mellom de to organisasjonene og blir en del av Prithvi‑familien av åpne foundation‑modeller tilgjengelige på Hugging Face, som spenner over geospatiale data, vær, heliofysikk og nå Månen. Kunngjøringen presenterer den åpne utgivelsen som en bredere visjon der forskere starter fra en felles modell og tilpasser den til nye oppgaver i stedet for å bygge et nytt algoritmisk system for hvert vitenskapelig spørsmål.

Juan Bernabe‑Moreno, Director of IBM Research Europe, UK and Ireland, sa at modellen gir forskere et fundament for å utforske Månen i stor skala, koble observasjoner på tvers av instrumenter, avdekke mønstre som er vanskelige å se isolert, og «gir en åpen plattform det globale forskningssamfunnet kan bygge videre på».

Arkitektur og forhåndstrening

Modellkortet beskriver en ViT‑B enkoder‑dekoder (768 dimensjoner, 12 lag, 12 oppmerksomhetshoder) trent fra bunnen på SomBench: omtrent 2 millioner ko‑registrerte månetile‑pakker som dekker 11 modaliteter på to romlige skalaer, LROC Narrow Angle Camera‑bilder med ca. 1 meter per piksel og Wide Angle Camera‑bilder med ca. 100 meter per piksel. Systemet tilpasser TerraMind‑maskert‑token‑oppskriften med to utvidelser. Per‑tile innhentingsgeometri, inkludert belysningsvinkler, sol‑ramme‑ankre og tile‑fotavtrykk, tokeniseres som eksplisitte enkoder‑input; forfatterne påpeker at månens overflateutseende styres mer av belysningsgeometri enn av iboende overflatesvingninger. NAC‑ og WAC‑ankrede fliser trenes også sammen i en enkelt blandet‑batch‑sløyfe på native‑oppløsning, slik at ett vektsett dekker begge oppløsningsfamilier over et 100× skala‑gap.

Input‑dataene omfatter ni tette bilde‑lignende lag pluss to sekvens‑lignende kontekst‑modaliteter: per‑tile optisk metadata med åtte felter og statisk‑kart‑kontekst med 28 felter hentet fra Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL og Lunar Prospector‑produkter. En FlexiViT‑patch‑embedding gjør at sjekkpunktet kan fin‑tunes med andre patch‑størrelser uten å trene ryggraden på nytt, og modalitet‑basert tokenisering gjør at modaliteter kan droppes eller legges til under fin‑tuning. Forhåndstreningen ble kjørt på 16 H100‑GPU‑er i 150 000 steg med en global batch på 1 536 i bf16, totalt ca. 1 100 GPU‑timer, ved bruk av ni modalitet‑spesifikke VQ‑VAE‑tokenizere med FSQ‑kvantisering, en DDPM‑dekoder og et kryss‑entropi‑mål over diskrete token‑ordbøker.

Rapporterte resultat fra benchmark

IBM sa at modellen overgår bredt brukte metoder med opptil 23 % ved identifisering av nøkkelgeografiske trekk på månens overflate, inkludert potensielle isavsetninger, kratre og vulkanske formasjoner. Med henvisning til et NASA‑IBM‑teknisk papir rapporterte selskapet at modellen reduserte feil (RMSE) med opptil 22 % sammenlignet med SwinV2‑B (ImageNet)‑modellen ved identifisering av områder med høy potensiell måneis; fanget omfanget av Irregular Mare Patches 3 % bedre enn SwinV2‑B mens den brukte ufullkomne etiketter; og matchet state‑of‑the‑art‑modeller som SwinV2‑B på meter‑skala kratedeteksjon mens den overgikk den med nesten 19 % ved omtrent 100‑meter kontekst‑skala ved bruk av halvparten av treningsdataene.

Benchmark‑tabellen på modellkortet rapporterer polar is‑prospektivitet RMSE på 0,0293 med full fin‑tuning, mot 0,0377 for beste referanse (SwinV2‑B) og 0,0397 for en tilfeldig‑initialisert kontroll, og identifiserer is‑prospektivitet som den største marginen. For Irregular Mare Patch‑segmentering rapporteres en IoU1 på 0,5709 mot 0,5687 for ConvNeXtV2‑B, og for Robbins‑kratedeteksjon på WAC‑bilder en mAP på 0,2581 ved bruk av LoRA mot 0,2420 for SwinV2‑B; kortet opplyser at forhåndstrente varianter med 50 % av treningsdata allerede matcher eller overgår SwinV2‑B trent på hele datasettet. Forfatterne advarer om at lederne på NAC‑krater‑ og Irregular Mare Patch‑benchmarkene bør behandles som sammenlignbare fordi marginene er mindre enn spredningen på tvers av frø. Benchmarkene ble kjørt gjennom TerraTorch med lastere, oppdelinger, augmentasjoner, tap og måleparametere holdt faste på tvers av backbones, med referansemodeller inkludert ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+ og SegFormer, rapportert som gjennomsnitt og standardavvik over fem frø.

SomBench‑korpus og angitte begrensninger

IBM sa at deres forskere, i samarbeid med NASA, bygde det første åpne kildekode‑månedatasettet av sitt slag, som samler mer enn 30 romlig justerte lag fra ni instrumenter på fire oppdrag, inkludert NASAs Lunar Reconnaissance Orbiter og GRAIL‑oppdraget samt Japans Aerospace Exploration Agency sine SELENE/Kaguya. SomBench dataset card beskriver to spor: WACLowRes, 963 609 fliser som dekker 51,2 kilometer med 100 meter per piksel hentet fra 54 080 Wide Angle Camera Experiment Data Records og totalt 38 TB; og NACHighRes, 1 000 113 fliser som dekker 512 meter med 1 meter per piksel fra 1 095 Narrow Angle Camera‑opptak, totalt 1,4 TB. Korpuset er utgitt under en CC BY 4.0‑lisens, med hele datasettet hostet på AWS. Oppdelinger er tildelt på Lunar Transverse Mercator‑sonenivå med et mål på 75/15/10, fliser som spenner over to soner droppes for å forhindre romlig lekkasje, og test‑splittet er reservert for etterfølgende evaluering.

Modellkortet opplyser at systemet ikke er et vitenskapelig‑gradert generativt produkt, opprettholder ingen geodetisk referanseramme, og er ikke validert for operative beslutninger som sertifisering av landingssteder eller risikoklarering; det bemerker også at is‑prospektivitets‑utganger regresserer et kunnskapsdrevet fuzzy‑overleggskart i stedet for målt is. Oppførte begrensninger inkluderer ablasjons‑bidrag som ennå ikke er isolert og NAC‑forhåndstrening begrenset til 1 095 ko‑registrerte rammer, mens datasett‑kortet bemerker heterogen romlig oppløsning og usikkerhet i absolutt geolokasjon på flere titalls meter. Arbeidet ble støttet av NASA under Award No. 80MSFC25M0084.