NASA-IBM Lunar Foundation Modelで月面を解析
元記事公開日: 2026年9月18日
出典: https://ledge.ai/articles/nasa_ibm_lunar_foundation_model
NASA-IBM Lunar Foundation Modelは、約200万の月画像タイルと複数ミッションの観測データを学習し、異なる種類・解像度の情報を扱う。月極域の氷の存在可能性推定では、SwinV2-B比でRMSEを最大22％削減した。
背景
NASAは数十年にわたり月の観測データを蓄積してきた。Lunar Reconnaissance Orbiter（LRO）の観測データを中心に、GRAIL、Lunar Prospector、SELENE（かぐや）のデータも利用できる。月面の理解には、画像、地形、温度、鉱物、重力など、種類と解像度が異なる情報の解析が必要になる。
要望・目的
月の極域に氷が存在する可能性の推定、クレーターの検出、火山地形の分析を行えるようにする。研究者が月の地図や観測データを解析し、月の地質学的な歴史や極域の氷を調査する用途が挙げられている。着陸地点の認証や危険回避など、実運用上の意思決定に使うことは検証されていない。
実装・実施内容
NASAとIBMは、4つのミッションに搭載された9種類の観測機器から、30以上の空間的に位置合わせされたデータレイヤーを集約した機械学習向け月データセットを構築した。NASA-IBM Lunar Foundation ModelはLROデータを中心に約200万の画像タイルで学習した。100万以上は約1メートル解像度の高解像度カメラ画像、約96万4000は約100メートル解像度のマルチスペクトル画像である。
AIサービス・システム
NASA-IBM Lunar Foundation Modelは、ViT-Bをベースにしたエンコーダー／デコーダー構成の基盤モデルで、11種類のモダリティを扱う。異なる解像度や観測条件のデータから共通する特徴を学習し、月の氷の存在可能性、クレーター、火山地形を分析する。Hugging Faceでモデルを、GitHubでファインチューニング用コードを公開している。
結果・効果
月極域の氷の存在可能性を推定する評価では、SwinV2-Bと比べてRMSEを最大22％削減した。約100メートル解像度でのクレーター検出は、学習データ量を半分にした条件でもSwinV2-Bを約19％上回った。火山地形の範囲特定では、比較モデルを約3％上回った。出力は氷そのものの観測結果ではなく、温度や地形などから推定した存在可能性のデータである。