NASAとIBM、幾何条件付けと混合解像度で11種類の観測データを統合する月面基盤モデルを公開

NASAとIBMは9月10日、NASA‑IBM Lunar Foundation Model（LFM）を公開した。異なるミッション、観測機器、解像度に分散している月面リモートセンシングデータを、再利用可能な視覚表現へ変換することを目指す。Apache 2.0ライセンスの重み、SomBenchデータ、TerraTorchのファインチューニング用コードは、いずれも公開済みだ。

LFMはゼロから学習されたViT‑Bエンコーダー–デコーダーで、エンコーダーの埋め込み次元は768、12層、12個のAttention Headを備え、事前学習時の入力サイズは256×256ピクセルである。9種類の画像モダリティは、それぞれVQ‑VAEとFinite Scalar Quantization（FSQ）によって離散化され、TerraMindに似たMasked Token Predictionの目的関数で共同学習される。さらに、FlexiViT Patch Embeddingにより、ダウンストリームタスクでは異なるPatch Sizeを使用できる。

特に注目すべきなのは、月面向けに特化した2つの設計だ。第一に、太陽入射角、位相角、観測方位、タイル座標を明示的なコンテキストとして系列化することで、照明による影を地形と誤認するのを防ぐ。第二に、LROC Narrow Angle Cameraの約1 m/pxのNACタイルと、Wide Angle Cameraの約100 m/pxのWACタイルを同じ混合バッチループで学習し、単一の重みセットで約100倍のスケール差を扱えるようにしている。事前学習全体には16基のH100、15万ステップ、約1,100 GPU時間が費やされた。

公式の5シード実験では、極域の氷存在ポテンシャル回帰におけるRMSEが0.0293となり、SwinV2‑Bの0.0377を上回った。また、WAC画像によるクレーター検出では、ラベル付きデータを半分しか使用しなくても、全データを使用したベースラインと同等以上の性能を達成した。LoRAはクレーター検出でフルファインチューニングに匹敵するため、より実用的な出発点となる。

制約も同様に重要だ。氷存在ポテンシャルのラベルは、実測された氷床ではなく、知識駆動型のファジーオーバーレイから生成されている。また、このモデルには絶対測地基準がなく、生成された緯度・経度には数十度ものずれが生じる可能性がある。NACの学習データも、ステレオ地形図が存在する限られた地域に集中している。したがって、エンジニアリングチームが次に注目すべきなのは、地域横断的な汎化性能、Geometry Tokenと混合解像度それぞれのAblation Study、そして現在は主に公開元チームが作成したベンチマークを第三者が再現できるかどうかである。