USRA가 NASA-IBM Lunar Foundation 모델에 행성 과학 전문 지식 기여

오픈 소스 인공지능(AI) 모델이 다양한 달 데이터셋을 결합하여 달의 과학적 분석을 지원합니다

Patterns of lunar ice prospectivity

NASA-IBM 모델은 달 극 근처 네 위치에서 달 얼음 탐사 가능성 패턴(파란색에서 노란색으로 스케일링)을 재현하고 있습니다. 상단 행: 달 남극 근처 Mons Mouton의 기준 얼음 탐사 가능성 지도; 중간 행: ConvNeXt 모델의 예측; 하단 행: NASA-IBM 모델의 예측. NASA-IBM 모델은 참조 데이터의 많은 미세 규모 탐사 가능성 패턴을 보존합니다. 이미지 출처: NASA/IBM Research

워싱턴 D.C., — 2026년 9월 18일. 대학 우주 연구 협회(USRA)가 행성 과학 전문 지식, 달 데이터셋 개발 및 과학적 평가를 새로 공개된 NASA-IBM Lunar Foundation 모델에 기여했습니다. 이 모델은 연구원들이 달 탐사 임무로 수집한 크고 다양한 데이터셋을 분석하는 데 도움을 주기 위해 설계된 오픈 소스 인공지능(AI) 모델입니다.

NASA와 IBM Research가 주도하여 개발한 NASA-IBM Lunar Foundation 모델은 11가지 모달리티와 두 가지 공간 스케일에 걸쳐 거의 2백만 개의 공동 등록 데이터 번들을 포함하는 다중 모드 달 데이터셋인 SomBench를 사용하여 처음부터 사전 학습되었습니다. 이 모델은 이미징, 지형, 조명 기하학, 열물리적 특성, 광물학, 레이더, 중력 및 기타 지질 및 환경 데이터를 포함하여 달 표면에 대한 상호 보완적인 정보를 통합합니다.

USRA의 프로젝트 기여는 USRA 과학기술연구소(Science and Technology Institute) 소속 부과학자 Rachel Slank 박사가 NASA 마셜 우주비행센터에 파견되어 제공했습니다. 그녀는 NASA-IBM Lunar Foundation Model 팀에서 행성 과학 분야의 주제 전문가로 활동했습니다. Slank은 과학팀과 모델링팀 모두에서 작업하며, 달 과학 우선순위와 행성 데이터셋의 물리적 특성을 모델 개발, 응용 및 평가 결정에 연결하는 데 도움을 주었습니다.

NASA-IBM Lunar Foundation Model은 세 가지 다운스트림 벤치마크(downstream benchmarks)를 통해 평가되었습니다. 이들은 지역 규모와 미터 규모에서의 크레이터 탐지(crater detection), 불규칙한 마레 패치(IMPs) 분할(segmentation), 그리고 달 극지방 얼음 잠재성 회귀(regression of lunar polar ice prospectivity)입니다. 이러한 응용 사례들은 충돌 특징 식별 및 특이한 화산 지형 매핑부터 극지 휘발성 물질의 안정성과 잠재적 분포와 관련된 환경 데이터셋 통합에 이르기까지, 다양한 달 과학 과제 전반에 걸쳐 모델의 성능을 평가합니다.

세 가지 벤치마크 모두에서 사전 학습된(pretrained) NASA-IBM Lunar Foundation Model은 ImageNet 사전 학습 기반 비교 모델뿐만 아니라, 달 사전 학습 없이 초기화된 구조적으로 동일한 모델과 비교하여 동등하거나 더 나은 성능을 보였습니다. 또한 이 연구는 크레이터 탐지에서 특히 강력한 레이블 효율성(label efficiency)을 입증했는데, 이는 달 사전 학습을 통해 학습된 표현(representations)이 특정 응용 분야에 필요한 작업별 레이블 데이터 양을 줄일 수 있음을 시사합니다.

NASA-IBM Lunar Foundation Model의 멀티모달 설계(multimodal design)는 각 데이터셋을 독립적으로 취급하기보다는 서로 다른 유형의 달 관측 자료 간의 관계를 학습할 수 있도록 합니다. 이 모델은 지형, 조명 기하학(illumination geometry), 기타 달 표면 특성과 같은 정보를 통합하면서 지역 규모 광각 카메라(Wide Angle Camera, WAC) 관측과 미터 규모 협각 카메라(Narrow Angle Camera, NAC) 데이터 모두에서 작동하도록 설계되었습니다.

사전 학습된 모델, 파인튜닝 코드, 벤치마크 데이터셋을 공개함으로써, NASA-IBM Lunar Foundation Model 팀은 행성 과학 및 AI 커뮤니티에 새로운 달 연구 애플리케이션 개발을 위한 재사용 가능한 기반을 제공하는 것을 목표로 합니다.

이 작업의 주요 구성 요소는 SomBench의 공동 개발이었는데, 이 데이터셋은 NASA-IBM Lunar Foundation Model 사전 학습용으로 사용되었으며 달 머신러닝(ML) 애플리케이션의 표준화된 평가를 지원합니다.

SomBench는 두 가지 상호 보완적인 구성 요소를 포함합니다. 하나는 NASA-IBM Lunar Foundation Model의 사전 학습 코퍼스로 역할을 하는 핵심 다중 계측기 데이터셋이며, 다른 하나는 대표적인 달 과학 문제에 대한 ML 방법론을 평가하는 데 사용되는 애플리케이션 벤치마크 모음입니다. 이 벤치마크 모음은 충돌 과정(impact processes), 화산 활동 역사(volcanic history), 그리고 극지방 휘발성 물질(polar volatiles)이라는 세 가지 광범위한 과학 테마를 다룹니다.

이 노력의 일환으로, Slank는 고해상도 Lunar Reconnaissance Orbiter Camera (LROC) NAC 크레이터 벤치마크 개발을 주도하여 49,000개 이상의 달 크레이터를 수동으로 식별했습니다. 그 결과로 나온 데이터셋은 메터(meter)-스케일 해상도에서 크레이터 탐지 능력을 평가하기 위해 고해상도 달 이미지와 공동 등록된 디지털 지형 모델을 사용합니다. 그녀는 또한 더 광범위한 SomBench 데이터셋과 과학 애플리케이션에 기여했으며, SomBench 연구와 NASA-IBM Lunar Foundation Model 연구 모두에 대한 포괄적인 과학 검토를 제공했습니다.

Slank 박사는 “가장 큰 어려움 중 하나는 매우 다른 계측기와 공간 해상도(픽셀당 1m에서 20km)를 가진 달 데이터셋들을 통합하면서도 각 데이터셋의 과학적 가치를 보존하는 것이었습니다.”라고 말했습니다. “저는 과학 팀과 모델링 팀 양쪽 모두에서 일했기 때문에, 데이터가 통합되고 기반 모델을 훈련하고 평가하는 데 사용될 때 이러한 차이점들이 고려되도록 도울 수 있었습니다. NASA-IBM Lunar Foundation Model의 도움으로 새로운 과학 연구자들이 무엇을 할 수 있을지 기대됩니다!”

NASA-IBM Lunar Foundation 모델과 관련 데이터셋은 Hugging Face를 통해 이용 가능합니다.

NASA 발표:

IBM 발표:

USRA 소개

1969년에 미국 정부의 요청에 따라 국립과학원(National Academy of Sciences) 산하에서 설립된 USRA(Universities Space Research Association)는 우주 관련 과학, 기술 및 공학 발전을 목표로 하는 비영리 법인입니다. USRA는 과학 연구소와 시설을 운영하며 연방 자금 지원 하에 기타 주요 연구 및 교육 프로그램을 수행합니다. 대학 커뮤니티와 협력하고 내부 과학 리더십, 혁신적인 연구 개발(R&D), 프로젝트 관리 전문 지식을 활용합니다.

USRA에 대한 더 자세한 정보는 www.usra.edu에서 확인할 수 있습니다.