NASA와 IBM이 2026년 9월 10일 공개한 달 파운데이션 모델을 모델카드 수치로 검증했습니다. 얼음 RMSE 22% 개선은 사실이나 테스트 패치는 25개, 미터급 크레이터는 기존 모델보다 낮았습니다.
NASA달AI오픈소스 개요
결론부터 말하면, NASA-IBM Lunar Foundation Model은 “달에서 얼음을 찾아낸 AI”가 아니라 기존에 사람이 만든 얼음 유망도 지도를 더 정확히 재현하도록 학습된 모델입니다. 홍보 문구를 어떻게 읽느냐의 문제가 아닙니다. 공식 모델카드가 얼음 타깃은 측정값이 아니라 모델 산출물이라고 직접 적어뒀습니다.
공개일은 2026년 9월 10일, 가중치는 Hugging Face의 nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model 저장소에 Apache-2.0 라이선스로 올라와 있습니다. 코드는 NASA-IMPACT GitHub 조직에 같은 라이선스로 공개됐습니다. 상업적 이용을 포함해 누구나 받아 쓸 수 있는 구조입니다.
다만 발표 보도자료의 성능 요약과 모델카드의 벤치마크 표 사이에는 확인이 필요한 간극이 있습니다. 얼음 예측 개선폭은 표에서 그대로 재현되지만, 크레이터 탐지 개선폭으로 제시된 수치는 공개된 표만으로는 같은 값이 나오지 않습니다. 이 글은 IBM 보도자료·NASA Science 페이지·Hugging Face 모델카드·GitHub 저장소 네 곳의 1차 자료를 대조해 무엇이 확인되고 무엇이 확인되지 않는지 정리한 것입니다. 모델을 직접 오래 돌려본 사용 후기가 아니라, 공개 문서를 교차 확인한 기록입니다. 기준 시점은 2026년 9월 14일.
1. 아키텍처와 사전학습 조건 — ViT-B 기반에 토크나이저 9종
모델 구조는 ViT-B 인코더(768차원·12층·12헤드)에 12층 트랜스포머 디코더를 붙인 형태입니다. 사전학습 입력은 256×256 픽셀, 패치는 16×16이고, FlexiViT 방식으로 패치 크기를 가변으로 다룹니다. 총 파라미터 수 절대값은 모델카드에 없어 현재로선 확인되지 않습니다.
학습 방식이 단순 MAE 계열과 갈라지는 지점은 토크나이저입니다. 모달리티별 VQ-VAE 토크나이저 9개를 두고 FSQ 양자화(levels 8,8,8,6,5)와 DDPM 디코더 위에서, 샘플된 위치의 이산 토큰 어휘에 대한 cross-entropy로 사전학습했습니다. 이미지 픽셀을 직접 복원하는 대신 모달리티별 코드북 상의 토큰을 맞히는 구조입니다.
| 사전학습 항목 | 값 |
|---|---|
| GPU | H100 16장 |
| 학습 스텝 | 150,000 step |
| Global batch | 1,536 |
| 정밀도 | bf16 |
| Peak LR | 1e-4 (코사인) |
| 총 연산 | 약 1,100 GPU-시간 |
약 1,100 GPU-시간은 대규모 언어모델 사전학습에 견주면 상당히 작습니다. 데이터 정합과 토크나이저 설계에 비용을 쓰고 인코더 자체는 베이스 크기로 묶은 설계로 읽힙니다.
용어 풀이
1. 파운데이션 모델 — 라벨 없는 대량 데이터로 미리 학습해두고, 여러 개별 과제에 조금씩 손봐 재사용하는 범용 기반 모델.
2. VQ-VAE 토크나이저 — 연속적인 이미지 값을 정해진 코드북의 이산 토큰으로 바꿔주는 압축 모듈로, 언어모델처럼 토큰 단위 학습을 가능하게 한다.
3. 양자화(FSQ) — 표현 값을 정해진 몇 단계로 잘라 저장해 계산과 용량을 줄이는 기법.
4. 파인튜닝 — 사전학습된 모델을 특정 과제 데이터로 추가 학습해 그 과제에 맞추는 과정.
2. SomBench — 196만 타일, 두 개의 해상도
학습 데이터셋 SomBench는 공동 정합된 타일 번들 약 196만 개(WAC 963,609 + NAC 1,000,113)로 구성됩니다. 모달리티는 11개, 스케일은 두 가지입니다.
| 구분 | 해상도 | 타일 한 변 | 타일 수 |
|---|---|---|---|
| WAC | 약 100m/px | 51.2km | 963,609 |
| NAC | 약 1m/px | 512m | 1,000,113 |
이 이중 스케일이 설계상 특징입니다. 광역 지질 해석에 쓰는 100m급과 착륙지 후보를 들여다보는 1m급을 한 모델에서 다루겠다는 구성이죠. 원본 트랙 용량은 WAC 38TB·NAC 1.4TB로 보도됐으나 이는 매체 보도 기준이며 공식 문서에서 직접 확인되지는 않았습니다.
데이터 출처는 4개 미션 9개 장비에서 온 30개 이상의 공간 정합 레이어입니다. 여기서 한 가지 어긋남이 있습니다. NASA Science 페이지는 LRO·GRAIL·Lunar Prospector·SELENE(Kaguya)를 열거하는데, IBM 보도자료는 Lunar Prospector를 빼고 세 미션만 적습니다. 두 1차 자료가 서로 다르게 기술하고 있어 4개 미션의 정확한 구성은 확정적으로 말하기 어렵습니다.
주의할 제약은 NAC 쪽입니다. 모델카드는 NAC 사전학습에 3m 스테레오 DTM이 정합된 1,095개 프레임만 쓰였다고 적습니다. 1m급 타일이 100만 개라 해도 그 출처 프레임 수가 제한적이라는 뜻이며, 지역 편향 가능성을 저자가 직접 언급한 부분입니다.
3. 벤치마크 실제 수치 — 얼음은 개선, 미터급 크레이터는 아님
과제별로 결과가 크게 갈립니다. 아래는 모델카드 벤치마크 표의 값이며 시드 5회 평균 기준입니다.
극지 얼음 유망도 회귀 (RMSE, 낮을수록 좋음)
| 모델 | RMSE |
|---|---|
| LFM (full fine-tuning) | 0.0293 ± 0.0013 |
| SwinV2-B (ImageNet) | 0.0377 ± 0.0004 |
| 랜덤 초기화 | 0.0397 ± 0.0004 |
두 값으로 계산하면 감소율은 22.28%, IBM이 발표한 “최대 22%”와 맞습니다. 다만 여러 매체는 이를 23%로 보도했습니다. IBM 원문은 22%이고, 정정 공지는 확인되지 않았습니다.
WAC 크레이터 탐지 (mAP, 높을수록 좋음)
| 데이터 비율 | LFM | SwinV2-B | 랜덤 초기화 |
|---|---|---|---|
| 100% | 0.2581 ± 0.0017 (LoRA) | 0.2420 ± 0.0047 | 0.2289 ± 0.0037 |
| 50% | 0.2541 ± 0.0018 (full FT) | 0.2313 ± 0.0027 | 0.2197 ± 0.0027 |
여기가 문제입니다. IBM은 “절반 데이터로 SwinV2-B 대비 약 19% 상회”라고 발표했는데, 공개된 표로는 50%끼리 비교하면 9.86%, 절반 데이터 모델을 전량 SwinV2-B와 비교하면 5.0%가 나옵니다. 19%는 재현되지 않습니다. 25MB 기술 리포트 본문을 열람하지 못해 산출 근거는 확인 필요 상태로 남깁니다.
미터급 NAC 크레이터 탐지에서는 LFM이 0.1543 ± 0.0098, SwinV2-B가 0.1552 ± 0.0086으로 오히려 LFM이 약 0.58% 낮습니다. 모델카드는 이 구간의 차이가 시드 산포보다 작다고 적고 있습니다.
불규칙 마레 패치(IMP) 분할은 IoU₁ 기준 LFM(인코더 동결) 0.5709 ± 0.0114, ConvNeXtV2-B 0.5687 ± 0.0181로 차이가 0.39%입니다. IBM은 이를 3% 개선으로 표현했으나, 표에서 확인되는 차이는 두 모델의 시드 표준편차보다도 작습니다. 랜덤 초기화(0.3142 ± 0.0746)와의 격차가 큰 것은 분명합니다. 다만 기존 강한 백본 대비 우위를 주장하기에는 근거가 얇습니다.
용어 풀이
1. mAP — 객체 탐지 성능 지표로, 여러 기준에서의 정밀도-재현율 곡선 면적을 평균한 값.
2. LoRA — 모델 전체가 아니라 소수의 저차원 행렬만 학습해 파인튜닝 비용을 줄이는 방식.
3. 시드 산포 — 같은 설정으로 난수만 바꿔 여러 번 학습했을 때 결과가 흔들리는 폭으로, 이보다 작은 성능 차이는 실질적 차이로 보기 어렵다.
4. 얼음 예측의 실제 의미 — 타깃이 실측이 아니다
가장 중요한 해석 지점입니다. 얼음 회귀 과제의 정답 데이터는 실제로 관측된 얼음 분포가 아니라 Coyan et al.(2025)의 퍼지 오버레이 유망도 지도입니다. 2025년 4월 The Planetary Science Journal 6권 5호에 실린 VIPER 착륙지 유망도 모델링으로, USGS가 퍼지 논리로 제작한 지도죠. 모델카드는 이 타깃이 측정이 아니라 모델이라는 점을 한계 항목에서 직접 밝히고 있습니다.
데이터 규모도 함께 봐야 합니다.
| 항목 | 값 |
|---|---|
| 전체 패치 수 | 156개 (학습 108 / 검증 23 / 테스트 25) |
| 타깃 해상도 | 240m |
| 입력 레이어 | 9종 |
| 데이터 용량 | 380MB |
| 타깃 값 범위 | 0-1 |
| 라이선스 | CC BY 4.0 |
테스트 패치가 25개라는 조건은 22% 개선폭을 읽을 때 반드시 함께 놓고 봐야 합니다. 표본이 작을수록 시드와 분할에 따른 변동이 커지니까요.
활용 범위에 대해서도 모델카드는 분명히 선을 긋습니다. 착륙지 인증이나 위험 제거 같은 운영 판단에는 검증되지 않았고, 측지 기준계를 유지하지 않는다고 적혀 있습니다. IBM 보도자료의 “안전한 착륙지 선정에 도움” 서술과 모델카드의 한계 기술은 같은 방향을 가리키지 않습니다. 실제 임무 의사결정에 쓰려면 별도 검증이 필요하다는 것이 문서에 남은 내용입니다.
참고로 2026년 8월 5일 Falcon 9 상단(2025년 1월 Blue Ghost 1 발사분)이 달에 충돌했고, LRO NAC가 8월 11-12일 촬영해 폭 약 60피트·깊이 10피트 미만, 19.4759°N·266.7138°E로 기록했습니다. 이 충돌구를 모델이 식별해냈다는 서술이 일부 매체 인터뷰에 등장하지만, NASA·IBM 공식 문서에는 해당 내용이 없어 확인 필요 항목으로 남습니다.
5. 도입 판단과 경쟁 구도 — 언제 쓰고 언제 쓰지 않나
먼저 비교 대상을 정리하면 이렇습니다.
| 모델 | 해상도 구성 | 데이터 규모 | 라이선스 |
|---|---|---|---|
| NASA-IBM LFM | 이중(약 1m NAC + 약 100m WAC) | 타일 196만, 11 모달리티 | Apache-2.0 |
| Moonstone | 단일 128 ppd(약 237m) | 28채널 전지구, 5개 미션 7개 장비 계열 | 확인 필요 |
| SwinV2-B (ImageNet) | 일반 비전 백본 | 범용 이미지 | 공개 백본 |
Moonstone은 arXiv 2607.03644로 2026년 7월 3일 제출된 MG-MAE 구조 모델이며 다운스트림 과제 6개를 제시합니다. 전지구 균일 커버리지와 단순한 MAE 파이프라인이 필요하면 이쪽이 더 맞습니다. 반대로 미터급과 광역을 한 모델에서 다뤄야 하면 NASA-IBM 쪽이 사실상 유일한 선택지입니다.
1m NAC 단일 과제만 한다면 현재 공개된 표에는 SwinV2-B를 버리고 갈아탈 근거가 없습니다. 성능이 동급이거나 약간 낮은데 파이프라인만 복잡해집니다.
실무 도입 시 파인튜닝 전략은 과제마다 최적이 다릅니다. WAC 크레이터 100% 데이터는 LoRA, 얼음 회귀는 전체 파인튜닝, IMP 분할은 인코더 동결이 각각 최고 성능을 냈습니다. TerraTorch 설정으로 연결하는 구조입니다.
가장 큰 제약은 재현성입니다. GitHub 저장소에는 파인튜닝과 추론 코드만 있고 사전학습 코드는 없습니다. 토크나이저를 다시 학습하거나 모달리티를 추가할 계획이라면 현재 저장소로는 불가능합니다. 저자는 ablation도 수행하지 않았다고 기재했습니다. 사전학습 코드 공개 일정은 확인되지 않았습니다.
채택 현황은 아직 초기입니다. 2026년 9월 14일 기준 Hugging Face 다운로드는 기본 모델 500회, 크레이터 100회, IMP 25회, 얼음 17회이고, GitHub은 별 26·포크 4·main 커밋 3개입니다. 다운스트림 파인튜닝 체크포인트 3종(크레이터 탐지·IMP 분할·얼음 유망도)은 실제로 공개돼 있어 바로 받아볼 수 있습니다.
정리
NASA-IBM Lunar Foundation Model은 Apache-2.0으로 공개된 실물이며, 극지 얼음 유망도 회귀에서 RMSE 0.0377→0.0293(약 22% 감소)이라는 개선은 모델카드 표로 재현됩니다. 다만 그 타깃은 실측 얼음이 아니라 USGS 퍼지 유망도 지도이고 테스트 패치는 25개입니다. 크레이터 쪽은 광역 WAC에서만 우위가 확인되며, 미터급 NAC에서는 SwinV2-B보다 낮고 IMP 분할 차이는 시드 산포 안에 들어갑니다. 보도자료의 “약 19%” 크레이터 개선폭은 공개 표로 재현되지 않아 확인 필요 상태이며, 사전학습 코드가 빠져 있어 완전한 재현 실험은 현재 불가능합니다.
참고 자료
조사 기준일: 2026년 09월 14일
본문의 수치는 아래 자료에서 확인한 것입니다. 제조사 공식 자료(T1)와 전문 매체 실측(T2)을 구분해 표기했습니다. 가격·공급 상황은 변동이 크므로 기준일 이후의 값은 다시 확인해야 합니다.
Tier 1
– IBM Newsroom, “IBM and NASA Release Open-Source AI Model to Support Lunar Exploration” (2026-09-10) — https://newsroom.ibm.com/2026-09-10-ibm-and-nasa-release-open-source-ai-model-to-support-lunar-exploration — 확인 2026-09-14
– NASA Science, “NASA, IBM Launch AI Foundation Model for Lunar Science” — https://science.nasa.gov/science-research/artificial-intelligence-lunar-foundation-model/ — 확인 2026-09-14
– Hugging Face 모델카드, NASA-IBM Lunar Foundation Model — https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model — 확인 2026-09-14 (README raw로 교차 확인)
– Hugging Face, Crater-Detection-NASA-IBM-Lunar-Foundation-Model — https://huggingface.co/nasa-ibm-ai4science/Crater-Detection-NASA-IBM-Lunar-Foundation-Model — 확인 2026-09-14
– Hugging Face 데이터셋, SomBench-Ice-Prospectivity-Regression — https://huggingface.co/datasets/nasa-ibm-ai4science/SomBench-Ice-Prospectivity-Regression — 확인 2026-09-14
– Hugging Face 컬렉션, NASA-IBM Lunar FM and downstream models — https://huggingface.co/collections/nasa-ibm-ai4science/nasa-ibm-lunar-fm-and-downstream-models — 확인 2026-09-14
– GitHub, NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model — https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model — 확인 2026-09-14
– NASA Science, “NASA’s LRO Images Falcon 9 Crater on Moon, Learns New Details” (2026-08-18) — https://science.nasa.gov/solar-system/moon/nasas-lro-images-falcon-9-crater-on-moon-learns-new-details/ — 확인 2026-09-14
– arXiv 2607.03644, “Moonstone: A Multimodal Foundation Model and Benchmark for Lunar Remote Sensing” (2026-07-03) — https://arxiv.org/abs/2607.03644 — 확인 2026-09-14
– (미확인 T1) NI_LFM_Technical_Report.pdf, 25MB — https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model/blob/main/NI_LFM_Technical_Report.pdf — 본문 열람 실패
Tier 2
– The Next Web, “IBM and NASA release an open-source lunar foundation model” (2026-09-10) — https://thenextweb.com/news/nasa-ibm-lunar-foundation-model-open-source — 확인 2026-09-14
– Unite.AI, “IBM and NASA Open-Source Lunar Foundation Model With SomBench Dataset” (2026-09-10) — https://www.unite.ai/ibm-and-nasa-open-source-lunar-foundation-model-with-sombench-dataset/ — 확인 2026-09-14
– Phys.org, “Release of open AI model trained on 17 years of lunar data maps ice, craters and volcanoes” (2026-09-11) — https://phys.org/news/2026-09-ai-years-lunar-ice-craters.html — 확인 2026-09-14
– 디지털포커스 (2026-09-11) — https://www.digitalfocus.news/news/articleView.html?idxno=23629 — 확인 2026-09-14
– IOPscience, Coyan et al., “Prospectivity Modeling of the NASA VIPER Landing Site at Mons Mouton near the Lunar South Pole”, PSJ 6(5), 2025-04 — https://iopscience.iop.org/article/10.3847/PSJ/adbc6c — 확인 2026-09-14
– (접근 실패) Computer Weekly, “IBM and NASA make Moon AI model available on Hugging Face” — HTTP 403으로 원문 미확인
답글 남기기