NASA와 IBM 리서치가 17년간 쌓인 달 궤도선 관측 데이터를 머신러닝에 활용 가능하게 만든 오픈소스 '달 파운데이션 모델'을 공개했다. 11개 모달리티, 두 가지 공간 해상도에 걸친 약 200만 개의 타일 묶음으로 구성된 SomBench 데이터셋으로 처음부터 학습시켰으며, 데이터의 대부분은 달 정찰궤도선(LRO)의 17년 관측 자료에서 나왔다. 지구관측 모델 TerraMind를 기반으로 조명 조건(태양 위치·각도 등)을 명시적 입력으로 받아 달 표면의 외형이 조명에 크게 좌우되는 문제를 해결했고, FlexiViT 기법으로 이미지 패치 크기가 달라도 재학습 없이 적응할 수 있다. 극지 영구음영지역의 물 얼음 매장량 예측에서 기존 최고 베이스라인 SwinV2-B보다 오차를 최대 22% 줄였고, 저해상도 분화구 탐지에서도 절반의 데이터만으로 19% 가까이 더 나은 성능을 보였다. 다만 위도·경도 등 절대 위치 추정에는 적합하지 않아 물리적 측정 장비를 대체하기보다는 후속 분석을 위한 재사용 가능한 기반으로 제시된다.

• •17년치 LRO 관측 등 4개 미션·9개 기기의 데이터를 합친 약 200만 타일 규모 SomBench로 처음부터 학습
• •조명 각도·태양 위치를 명시적 입력으로 제공해 달 표면 외형이 조명에 좌우되는 문제를 해결
• •극지 물 얼음 매장량 예측 오차를 기존 최고 모델 대비 최대 22% 감소
• •저해상도 분화구 탐지에서 데이터 절반만으로 기존 모델보다 약 19% 높은 성능
• •절대 위치(위도·경도) 추정에는 부정확해 물리적 측정 장비의 대체재가 아닌 분석용 기반으로 설계됨