IBM và NASA công bố mô hình nền tảng mở cho Mặt Trăng cùng bộ dữ liệu SomBench

Vào ngày 10 tháng 9 năm 2026, IBM và NASA đã công bố việc phát hành mã nguồn mở NASA-IBM Lunar Foundation Model, một mô hình nền tảng đa mô hình, đa độ phân giải cho cảm biến từ xa trên mặt trăng, cùng với SomBench, bộ dữ liệu mặt trăng đồng đăng ký được xây dựng để huấn luyện mô hình này.

Trong thông cáo, được viết từ Yorktown Heights, New York, IBM mô tả hệ thống là một trong những mô hình nền tảng công khai đầu tiên dành cho nghiên cứu khoa học về Mặt Trăng, được huấn luyện trên một bộ dữ liệu quan sát mặt trăng quy mô lớn do các nhà nghiên cứu của IBM và NASA biên soạn. Trọng số mô hình được công bố trên Hugging Face dưới giấy phép Apache-2.0, mã tinh chỉnh được duy trì trong một kho GitHub của NASA-IMPACT và việc thích nghi hạ nguồn được thực hiện qua TerraTorch. Thẻ mô hình mô tả bản phát hành như một biểu diễn có thể tái sử dụng cho cảm biến từ xa trên mặt trăng: tinh chỉnh hoặc LoRA‑adapt encoder để phát hiện, phân đoạn và hồi quy mật độ trên ảnh LROC và các sản phẩm địa hình đồng đăng ký, với các tập hợp modality và lưới patch có thể khác so với quá trình tiền huấn luyện.

Theo thông cáo, các nhà nghiên cứu có thể áp dụng mô hình vào nhiều hướng nghiên cứu về mặt trăng: dự đoán vị trí có thể có băng trong các khu vực luôn bóng tối, những khu vực khó quan sát nhưng có thể chứa tài nguyên thiết yếu cho một căn cứ mặt trăng trong tương lai; bản đồ Irregular Mare Patches, các đặc điểm núi lửa mà các nhà khoa học nghiên cứu để hiểu lịch sử núi lửa và quá trình tiến hóa nhiệt của Mặt Trăng; và phát hiện, ngữ cảnh hoá, phân loại các hố va chạm, công việc này cung cấp manh mối về độ tuổi địa hình và địa chất, đồng thời giúp NASA lựa chọn các vị trí hạ cánh an toàn, tránh các mối nguy như dốc đứng và tảng đá lớn.

“NASA đã dành hàng thập kỷ để xây dựng một hồ sơ khoa học phi thường về Mặt Trăng, nhưng việc thu thập dữ liệu chỉ là một phần của công việc,” Kevin Murphy, giám đốc dữ liệu khoa học và giám đốc dữ liệu và AI tạm thời tại Trụ sở NASA, cho biết, đồng thời nhấn mạnh rằng mô hình cho thấy những gì có thể đạt được khi AI được áp dụng vào hàng petabyte dữ liệu khoa học của NASA.

IBM cho biết mô hình mở rộng sự hợp tác đã được thiết lập giữa hai tổ chức và gia nhập gia đình Prithvi của các mô hình nền tảng mở có sẵn trên Hugging Face, bao gồm các lĩnh vực địa không gian, thời tiết, heliophysics và giờ đây là Mặt Trăng. Thông cáo trình bày bản phát hành mở như một tầm nhìn rộng hơn, trong đó các nhà nghiên cứu bắt đầu từ một mô hình chung và điều chỉnh nó cho các nhiệm vụ mới thay vì xây dựng một hệ thống thuật toán mới cho mỗi câu hỏi khoa học.

Juan Bernabe-Moreno, Giám đốc IBM Research Europe, Vương quốc Anh và Ireland, cho biết mô hình cung cấp cho các nhà khoa học một nền tảng để khám phá Mặt Trăng ở quy mô lớn, kết nối các quan sát qua các thiết bị, hé lộ các mô hình khó nhận thấy khi tách rời, và “cung cấp một nền tảng mở mà cộng đồng nghiên cứu toàn cầu có thể xây dựng trên đó”.

Kiến trúc và Đào tạo trước

Thẻ mô hình mô tả một bộ mã hoá‑giải mã ViT‑B (768 chiều, 12 lớp, 12 đầu attention) được huấn luyện từ đầu trên SomBench: khoảng 2 triệu gói ô ảnh mặt trăng đồng đăng ký bao phủ 11 modality ở hai thang độ phân giải không gian, ảnh LROC Narrow Angle Camera với độ phân giải khoảng 1 mét mỗi pixel và ảnh Wide Angle Camera với độ phân giải khoảng 100 mét mỗi pixel. Hệ thống áp dụng công thức masked‑token của TerraMind với hai mở rộng. Hình học thu thập theo ô, bao gồm góc chiếu sáng, điểm neo khung mặt trời và kích thước ô, được mã hoá thành các đầu vào rõ ràng cho bộ mã hoá; các tác giả cho rằng vẻ bề mặt mặt trăng chịu ảnh hưởng nhiều hơn bởi hình học chiếu sáng hơn là biến thể bề mặt nội tại. Các ô NAC và WAC được huấn luyện cùng nhau trong một vòng lặp hỗn hợp duy nhất ở độ phân giải gốc, vì vậy một bộ trọng số bao phủ cả hai họ độ phân giải qua khoảng cách 100×.

Đầu vào bao gồm chín lớp ảnh dày đặc cộng với hai modality ngữ cảnh dạng chuỗi: siêu dữ liệu quang học theo ô với tám trường và ngữ cảnh bản đồ tĩnh với 28 trường lấy từ các sản phẩm Diviner, LOLA, Mini‑RF, Kaguya, WAC, GRAIL và Lunar Prospector. Một embedding patch FlexiViT cho phép checkpoint được tinh chỉnh ở các kích thước patch khác mà không cần huấn luyện lại backbone, và việc mã hoá theo modality cho phép loại bỏ hoặc thêm các modality trong quá trình tinh chỉnh. Quá trình tiền huấn luyện được thực hiện trên 16 GPU H100 trong 150.000 bước với batch toàn cục 1.536 ở định dạng bf16, tổng cộng khoảng 1.100 giờ GPU, sử dụng chín tokenizer VQ‑VAE chuyên cho mỗi modality với lượng tử FSQ, một decoder DDPM, và mục tiêu cross‑entropy trên các từ vựng token rời rạc.

Kết quả Đánh giá Tiêu chuẩn Được Báo cáo

IBM cho biết mô hình vượt qua các phương pháp thường dùng tới 23 % trong việc xác định các đặc điểm địa lý quan trọng trên bề mặt Mặt Trăng, bao gồm các mỏ băng tiềm năng, các hố va chạm và các cấu trúc núi lửa. Dựa trên một bài báo kỹ thuật NASA‑IBM, công ty báo cáo mô hình giảm lỗi (RMSE) tới 22 % so với mô hình SwinV2‑B (ImageNet) khi xác định các khu vực có tiềm năng cao về băng mặt trăng; nắm bắt diện tích Irregular Mare Patches tốt hơn SwinV2‑B 3 % khi sử dụng nhãn không hoàn hảo; và đạt mức tương đương các mô hình tiên tiến như SwinV2‑B trong việc phát hiện hố va chạm quy mô mét, đồng thời vượt trội gần 19 % ở thang đo ngữ cảnh khoảng 100 m chỉ với một nửa dữ liệu huấn luyện.

Bảng benchmark trên thẻ mô hình báo cáo RMSE dự đoán tiềm năng băng cực là 0.0293 khi tinh chỉnh toàn bộ, so với 0.0377 cho baseline tốt nhất (SwinV2‑B) và 0.0397 cho kiểm soát khởi tạo ngẫu nhiên, và xác định tiềm năng băng là khoảng cách lớn nhất. Đối với phân đoạn Irregular Mare Patch, nó báo cáo IoU1 là 0.5709 so với 0.5687 của ConvNeXtV2‑B, và đối với phát hiện hố Robbins trên ảnh WAC, mAP đạt 0.2581 khi dùng LoRA so với 0.2420 của SwinV2‑B; thẻ mô hình cho biết các biến thể đã được tiền huấn luyện với 50 % dữ liệu huấn luyện đã khớp hoặc vượt qua SwinV2‑B được huấn luyện trên toàn bộ bộ dữ liệu. Các tác giả cảnh báo rằng những người dẫn đầu trên benchmark hố NAC và Irregular Mare Patch nên được xem là tương đương vì khoảng cách nhỏ hơn mức dao động giữa các seed. Các benchmark được chạy qua TerraTorch với các bộ tải, phân chia, tăng cường, hàm mất mát và chỉ số cố định cho mọi backbone, với các baseline bao gồm ResNet‑50, ViT‑B MAE, ConvNeXt‑B, ConvNeXt‑V2‑B, SwinV2‑B, DaViT‑B, DeepLabV3+, và SegFormer, được báo cáo dưới dạng trung bình và độ lệch chuẩn trên năm seed.

Tập hợp Dữ liệu SomBench và Các Hạn chế Được Nêu

IBM cho biết các nhà khoa học của mình, hợp tác với NASA, đã xây dựng bộ dữ liệu mặt trăng mã nguồn mở đầu tiên loại này, tổng hợp hơn 30 lớp được căn chỉnh không gian từ chín thiết bị trên bốn sứ mệnh, bao gồm NASA Lunar Reconnaissance Orbiter và sứ mệnh GRAIL, cùng với SELENE/Kaguya của Cơ quan Vũ trụ Nhật Bản. Thẻ dữ liệu SomBench mô tả hai luồng: WACLowRes, 963,609 ô bao phủ 51.2 km với độ phân giải 100 m mỗi pixel được rút ra từ 54,080 bản ghi Dữ liệu Thử nghiệm Wide Angle Camera và tổng dung lượng 38 TB; và NACHighRes, 1,000,113 ô bao phủ 512 m với độ phân giải 1 m mỗi pixel từ 1,095 bản ghi Narrow Angle Camera, tổng dung lượng 1.4 TB. Tập hợp dữ liệu được phát hành dưới giấy phép CC BY 4.0, với toàn bộ dữ liệu được lưu trữ trên AWS. Các phân chia được xác định ở mức vùng Lunar Transverse Mercator với tỷ lệ mục tiêu 75/15/10, các ô nằm trên hai vùng sẽ bị loại bỏ để tránh rò rỉ không gian, và phần test được dành cho đánh giá hạ nguồn.

Thẻ mô hình cho biết hệ thống không phải là một sản phẩm sinh tạo cấp khoa học, không duy trì khung tham chiếu địa lý, và không được xác thực cho các quyết định vận hành như chứng nhận vị trí hạ cánh hay giải phóng nguy hiểm; nó cũng lưu ý rằng các đầu ra tiềm năng băng chỉ tái tạo một bản đồ phủ mờ dựa trên kiến thức thay vì đo lường băng thực tế. Các hạn chế được liệt kê bao gồm các đóng góp ablation chưa được tách riêng và việc tiền huấn luyện NAC bị giới hạn ở 1,095 khung đồng đăng ký, trong khi thẻ dữ liệu ghi chú độ phân giải không đồng nhất và độ không chắc chắn vị trí địa lý tuyệt đối hàng chục mét. Công trình này được NASA hỗ trợ dưới Số giải thưởng 80MSFC25M0084.