NASAとIBM、17年分の月面データで訓練したオープンソースの月面基盤モデルを公開

NASAとIBM Researchは複数の研究機関と共同で、「NASA-IBM Lunar Foundation Model」を発表した。惑星科学向けオープンソースAIシステムとして設計されたこのモデルは、17年間にわたる月周回衛星の生データを、クレーターのマッピングや表面地質の解析、潜在的な水氷埋蔵地の特定に適応可能なツールへと変換する。

宇宙探査ミッションからの観測データは豊富に存在するものの、人間がラベル付けしたデータセットは希少であり、その作成には多大な労力がかかる。単一用途向けに訓練されたタスク特化型アルゴリズムに頼るのではなく、この基盤モデルは膨大なラベルなしデータで事前学習を行っている。研究者はその後、最小限のラベル付きサンプルを用いて、月科学のダウンストリームタスク向けにモデルをファインチューニングできる。

SomBenchでの学習：17年におよぶ4つのミッション

同モデルは、研究チームが「これまでに構築された中で最大の位置合わせ済みマルチモーダル月面コーパス」と呼ぶ「SomBench」を用いてゼロから訓練された。このデータセットには、11のモダリティと2つの空間解像度にわたる約200万件のタイルバンドルが含まれている。

• 狭角カメラ（NAC）によって撮影された、ピクセルあたり約1メートルの解像度を持つ約100万枚の高解像度画像。

• 広角カメラ（WAC）による、ピクセルあたり100メートルのマルチスペクトル画像約96万4,000枚。

• GRAILによる重力データ、Lunar Prospectorによる水素分布、JAXAの月探査機「Kaguya/SELENE」による鉱物学的測定データなど、4つのミッションにおける9つの科学機器から得られた、空間的に位置合わせされた30以上のデータレイヤー。

学習データの大半は、NASAのLunar Reconnaissance Orbiter（LRO）による17年間の観測記録に由来する。LROは、NASAの他のすべての惑星探査ミッションの合計を上回る生データを生成してきたミッションである。訓練および評価時のデータリークを防ぐため、研究チームは画像タイルをランダムにシャッフルするのではなく、地図ゾーンごとに地理的にコーパスを分割した。

明示的な幾何情報とマルチスケールな視覚表現

アーキテクチャ面では、この月面モデルはIBMが欧州宇宙機関（ESA）およびForschungszentrum Jülichと共同で2025年に開発した地球観測モデル「TerraMind」をベースにしている。しかし研究チームは、地球モデルをファインチューニングするのではなく、月面ネットワークをスクラッチから訓練した。

月面における大きな課題は、照射角度や影の長さによって表面の見え方が劇的に変化し、地形の真の物理的特性を覆い隠してしまうことが多い点だ。これに対処するため、モデルは画像や標高データに加え、照明角度、太陽の位置、タイルの境界といった明示的な撮影幾何情報（imaging geometry）をコンテキスト入力として受け取る。

このアーキテクチャは、月面画像、標高レイヤー、幾何学的データをトークンに分解し、マスクされたセクションを予測することでそれらの関係性を学習する。FlexiViTと呼ばれる手法を用いることで、モデルは1回の訓練で粗い解像度と高解像度の画像の両方から学習し、再訓練を行うことなく異なる画像パッチサイズに適応できる。また、異なるデータモダリティを専用のパスで個別に処理することで、異なるセンサー入力を単純にチャンネルとしてスタックする際によく生じる制約を回避している。

極域の氷検出でベースラインを上回る性能

研究チームは、100メートルおよび1メートル解像度でのクレーター検出、不規則月海パッチ（Irregular Mare Patches：月の冷却理論に疑問を投げかける若い火山活動の痕跡）のセグメンテーション、極域の氷の堆積予測など、複数の科学ベンチマークでモデルを評価した。

月の極域にある永久影領域は、数十億年にわたって水氷を閉じ込めておけるほど低温を保っており、飲料水、呼吸用酸素、ロケット推進薬といった将来のリソースとして極めて重要なターゲットである。極域の氷堆積予測において、この月面基盤モデルは有力なベースラインであるSwinV2-Bと比較して、予測エラーを最大22%削減した。

粗いスケール（100メートル）のクレーター検出では、モデルはSwinV2-Bを約19%上回る性能を示しつつ、ラベル付き訓練データは半分しか使用しなかった。メートル単位のクレーター検出および不規則月海パッチのセグメンテーションでは、主要ベースラインに匹敵する性能を示し、火山パッチでは約3%のマージンが報告された。また著者らは、LoRA（Low-Rank Adaptation）によるパラメータ効率の高いファインチューニングが、ほとんどのベンチマークで完全なファインチューニングと同等以上の性能を達成したことも明らかにした。

測地学的計測の代替ではなく、科学的分析のための基盤

その高い分析能力にもかかわらず、このモデルは正確な空間測位を目的として設計されたものではない。生成評価テストにおいて、モデルが予測した緯度・経度座標が特定ケースで数十度ずれたり、再構成された地形が正しい形態学的形状を維持しているにもかかわらず、絶対的な標高値にずれが生じたりすることがあった。

IBM Research Europeのディレクターを務めるJuan Bernabé-Moreno氏は、このモデルの最大の価値は、孤立したデータセットでは見出せないパターンを明らかにするために多様な観測データを結びつける点にあると述べ、直接的な物理測定の代替ではなく分析の基盤として機能することを強調した。

この月面モデルは、NASAとIBMがSpace Act Agreementのもと2022年初頭に立ち上げた「AI for Science」イニシアチブを拡張するものだ。両者の提携は以前にも、2023年8月に洪水や森林火災のマッピングを目的とした地球観測モデル「Prithvi」を生み出している。

NASA-IBM Lunar Foundation Modelは、事前学習データセットおよびベンチマークスイートとともにHugging Face上で一般公開されており、ソースコードはGitHubで公開されたほか、オープンソースのTerraTorchツールキットにも統合されている。