IBM и NASA представляют открытый исходный код лунной фундаментальной модели с набором данных SomBench

IBM и NASA 10 сентября 2026 года объявили об открытом выпуске NASA‑IBM Lunar Foundation Model, многомодальной, многомасштабной фундаментальной модели для лунного дистанционного зондирования, а также SomBench, совместно зарегистрированного лунного набора данных, созданного для её обучения.

В объявлении, датированном из Йорктауна Хайтс, Нью‑Йорк, IBM описала систему как одну из первых публично доступных фундаментальных моделей для научного исследования Луны, обученную на обширном наборе лунных наблюдений, собранном исследователями IBM и NASA. Весовые параметры модели опубликованы на Hugging Face под лицензией Apache‑2.0, код дообучения поддерживается в репозитории NASA‑IMPACT на GitHub, а последующая адаптация осуществляется через TerraTorch. Карточка модели представляет выпуск как переиспользуемое представление для лунного дистанционного зондирования: дообучение или LoRA‑адаптация энкодера для детекции, сегментации и плотной регрессии на изображениях LROC и совместно зарегистрированных продуктах рельефа, с набором модальностей и сеткой патчей, которые могут отличаться от предобучения.

Согласно объявлению, исследователи могут применять модель к нескольким направлениям лунных исследований: прогнозировать наличие льда в постоянно теневых регионах, которые трудно наблюдать, но могут содержать ресурсы, необходимые для будущей лунной базы; картировать Irregular Mare Patches — вулканические структуры, изучаемые учёными для понимания вулканической истории и термической эволюции Луны; а также обнаруживать, контекстуализировать и классифицировать кратеры, что раскрывает сведения о возрасте поверхности и геологии и помогает NASA выбирать безопасные посадочные площадки, избегая опасностей, таких как крутые склоны и валуны.

«NASA десятилетиями создает выдающийся научный архив о Луне, но сбор данных — лишь часть работы», — сказал Кевин Мерфи, главный специалист по научным данным и исполняющий обязанности главного специалиста по данным и ИИ в штаб‑квартире NASA, добавив, что модель демонстрирует, что возможно, когда ИИ применяется к петабайтам научных данных NASA.

IBM заявила, что модель расширяет устоявшееся сотрудничество между двумя организациями и присоединяется к семейству открытых фундаментальных моделей Prithvi, доступных на Hugging Face, охватывающих геопространственные данные, погоду, гелиофизику и теперь Луну. Объявление представляет открытый выпуск как более широкое видение, в котором исследователи начинают с общей модели и адаптируют её к новым задачам, а не создают новую алгоритмическую систему для каждого научного вопроса.

Хуан Бернабе‑Морено, директор IBM Research Europe, Великобритания и Ирландия, сказал, что модель предоставляет учёным основу для масштабного исследования Луны, соединяя наблюдения разных инструментов, выявляя паттерны, трудноразличимые в изоляции, и «обеспечивая открытую платформу, на которой глобальное исследовательское сообщество может строить свои разработки».

Architecture and Pretraining

Карточка модели описывает кодировщик‑декодер ViT‑B (768 измерений, 12 слоёв, 12 голов внимания), обученный с нуля на SomBench: примерно 2 млн совместно зарегистрированных лунных тайлов, охватывающих 11 модальностей на двух пространственных масштабах: изображения LROC Narrow Angle Camera с разрешением около 1 м/пиксель и Wide Angle Camera с разрешением около 100 м/пиксель. Система адаптирует рецепт маскированных токенов TerraMind с двумя расширениями. Геометрия захвата каждого тайла, включая углы освещения, привязки к солнечной системе координат и площадь тайла, токенизируется как явные входные данные кодировщика; авторы отмечают, что внешний вид лунной поверхности определяется в большей степени геометрией освещения, чем внутренними свойствами поверхности. Тайлы, привязанные к NAC и WAC, также обучаются совместно в едином смешанном батче в нативном разрешении, так что один набор весов покрывает обе семейства разрешений через разрыв в 100‑кратном масштабе.

Входные данные включают девять плотных слоёв, похожих на изображения, плюс два последовательностных контекстных модальности: оптические метаданные каждого тайла с восемью полями и статическую карту контекста с 28 полями, полученными из продуктов Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL и Lunar Prospector. Встраивание патчей FlexiViT позволяет использовать контрольную точку для дообучения с другими размерами патчей без переобучения основной сети, а токенизация по модальностям позволяет исключать или добавлять модальности во время дообучения. Предобучение проводилось на 16 GPU H100 в течение 150 000 шагов при глобальном батче 1 536 в bf16, что составляет примерно 1 100 GPU‑часов, используя девять модально‑специфичных токенизаторов VQ‑VAE с FSQ‑квантованием, декодер DDPM и кросс‑энтропийную функцию потерь над дискретными словарями токенов.

Reported Benchmark Results

IBM заявила, что модель превосходит широко используемые методы до 23 % в идентификации ключевых географических особенностей поверхности Луны, включая потенциальные ледяные отложения, кратеры и вулканические образования. Ссылаясь на техническую статью NASA‑IBM, компания сообщила, что модель снизила ошибку (RMSE) до 22 % по сравнению с моделью SwinV2‑B (ImageNet) при определении областей с высоким потенциалом лунного льда; зафиксировала охват Irregular Mare Patches на 3 % лучше, чем SwinV2‑B, используя несовершенные метки; и сопоставила себя с передовыми моделями, такими как SwinV2‑B, в детекции кратеров метрического масштаба, превзойдя её почти на 19 % при контекстном масштабе около 100 м, используя лишь половину обучающих данных.

Таблица benchmark’ов в карточке модели сообщает RMSE перспективности полярного льда = 0.0293 при полном дообучении, против 0.0377 у лучшего базового метода (SwinV2‑B) и 0.0397 у контроля с случайной инициализацией, при этом перспективность льда имеет наибольший разрыв. Для сегментации Irregular Mare Patch указано IoU1 = 0.5709 против 0.5687 у ConvNeXtV2‑B, а для детекции кратеров Robbins на изображениях WAC — mAP = 0.2581 при использовании LoRA против 0.2420 у SwinV2‑B; карточка отмечает, что предобученные варианты при 50 % обучающих данных уже соответствуют или превосходят SwinV2‑B, обученную на полном наборе. Авторы предостерегают, что лидеры в benchmark’ах NAC‑кратеров и Irregular Mare Patch следует рассматривать как сопоставимые, поскольку разницы меньше, чем разброс между случайными инициализациями. Benchmark’и проводились через TerraTorch с фиксированными загрузчиками, разбиениями, аугментациями, функцией потерь и метриками для всех бэкбоунов, включая базовые модели ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+ и SegFormer, результаты представлены как среднее и стандартное отклонение по пяти случайным инициализациям.

SomBench Corpus and Stated Limitations

IBM заявила, что её учёные совместно с NASA создали первый в мире открытый лунный набор данных своего рода, объединив более 30 пространственно согласованных слоёв от девяти инструментов четырёх миссий, включая Lunar Reconnaissance Orbiter и миссию GRAIL NASA, а также японское агентство JAXA SELENE/Kaguya. Карточка набора данных SomBench описывает два трека: WACLowRes, 963 609 тайлов, покрывающих 51,2 км при 100 м/пиксель, полученных из 54 080 записей Wide Angle Camera Experiment Data Records и суммарным объёмом 38 ТБ; и NACHighRes, 1 000 113 тайлов, покрывающих 512 м при 1 м/пиксель из 1 095 записей Narrow Angle Camera, объёмом 1,4 ТБ. Корпус выпущен под лицензией CC BY 4.0, полный набор данных размещён на AWS. Разбиения задаются на уровне зон Lunar Transverse Mercator с целевым соотношением 75/15/10, тайлы, пересекающие две зоны, отбрасываются во избежание пространственного утечки, а тестовое разбиение сохраняется для последующей оценки.

Карточка модели указывает, что система не является научно‑квалифицированным генеративным продуктом, не поддерживает геодезическую привязку и не прошла валидацию для оперативных решений, таких как сертификация посадочных площадок или очистка от опасностей; также отмечается, что выводы о перспективности льда представляют собой знание‑ориентированную «размытую» карту, а не измеренный лед. Среди перечисленных ограничений — вклады абляций, ещё не изолированные, и предобучение NAC, ограниченное 1 095 совместно зарегистрированными кадрами, в то время как карточка набора данных указывает на неоднородное пространственное разрешение и погрешность абсолютной геолокации в десятки метров. Работа была поддержана NASA по гранту № 80MSFC25M0084.