NASA, IBM en de Universities Space Research Association (USRA) hebben het NASA-IBM Lunar Foundation Model ontwikkeld. Dit open-source AI-model is specifiek ontworpen om onderzoekers te helpen bij het analyseren van complexe en diverse datasets van maanmissies.
Kernpunten van het project:
- Technische basis: Het model is getraind met SomBench, een multimodale dataset met bijna twee miljoen databundels, waaronder beelden, topografie, mineralogie en thermofysische eigenschappen.
- Bijdrage van USRA: Dr. Rachel Slank fungeerde als expert in planetaire wetenschappen en leidde de ontwikkeling van de kraterbenchmark voor de LROC NAC, waarbij zij meer dan 49.000 kraters identificeerde.
- Prestaties: Het model is getest op kraterdetectie, segmentatie van mare-vlakten en de kans op het voorkomen van maanijs. Hierbij presteerde het model gelijk aan of beter dan traditionele modellen.
- Toegankelijkheid: Om innovatie in de AI- en ruimtevaartgemeenschap te stimuleren, zijn het model, de fine-tuning code en de benchmark-datasets openbaar gemaakt via Hugging Face.
USRA draagt expertise in planetaire wetenschappen bij aan NASA-IBM Lunar Foundation Model
Het NASA-IBM-model reproduceert patronen van de kans op het voorkomen van maanijs (geschaald van blauw naar geel), getoond op vier locaties (links) nabij de pool van de maan. Bovenste rij: referentiekaart voor de kans op ijs van Mons Mouton nabij de zuidpool van de maan; middelste rij: voorspellingen van het ConvNeXt-model; onderste rij: voorspellingen van het NASA-IBM-model. Het NASA-IBM-model behoudt veel fijne patronen in de referentiedata. Beeldcredits: NASA/IBM Research
WASHINGTON, D.C., 18 september 2026 — De Universities Space Research Association (USRA) heeft expertise in planetaire wetenschappen, de ontwikkeling van maan-datasets en wetenschappelijke evaluatie bijgedragen aan het onlangs uitgebrachte NASA-IBM Lunar Foundation Model. Dit is een open-source model voor kunstmatige intelligentie (AI), ontworpen om onderzoekers te helpen bij het analyseren van de grote en diverse datasets die door maanmissies zijn verzameld.
Ontwikkeling en technische basis
Het NASA-IBM Lunar Foundation Model is ontwikkeld via een samenwerking onder leiding van NASA en IBM Research. Het model is vanaf nul getraind met behulp van SomBench, een multimodale maan-dataset die bijna twee miljoen co-geregistreerde databundels bevat, verdeeld over 11 modaliteiten en twee ruimtelijke schalen.
Het model brengt complementaire informatie over het maanoppervlak samen, waaronder:
- Beelden;
- Topografie;
- Verlichtingsgeometrie;
- Thermofysische eigenschappen;
- Mineralogie;
- Radar;
- Zwaartekracht;
- Overige geologische en milieugegevens.
De rol van USRA
De bijdrage van USRA werd geleverd door Dr. Rachel Slank, een associate scientist bij het Science and Technology Institute van USRA, gedetacheerd bij NASA’s Marshall Space Flight Center. Zij fungeerde als vakdeskundige op het gebied van planetaire wetenschappen binnen het team van het NASA-IBM Lunar Foundation Model. Dr. Slank werkte samen met zowel de wetenschaps- als de modelleringsteams om prioriteiten in de maanwetenschap en de fysieke kenmerken van planetaire datasets te verbinden met beslissingen over de ontwikkeling, toepassingen en evaluatie van het model.
Evaluatie en prestaties
Het NASA-IBM Lunar Foundation Model is geëvalueerd aan de hand van drie downstream-benchmarks:
- Kraterdetectie, zowel op regionaal niveau als op meterschaal;
- Segmentatie van onregelmatige mare-vlakten (irregular mare patches, IMP's);
- Regressie van de kans op het voorkomen van ijs op de maanpolen.
Samen beoordelen deze toepassingen de prestaties van het model over een divers scala aan uitdagingen in de maanwetenschap: van het identificeren van inslagkenmerken en het in kaart brengen van ongebruikelijke vulkanische landvormen, tot het integreren van milieudatasets die verband houden met de stabiliteit en potentiële distributie van polaire vluchtige stoffen.
Bij alle drie de benchmarks presteerde het vooraf getrainde NASA-IBM Lunar Foundation Model gelijk aan of beter dan vergelijkingsmodellen die gebaseerd waren op ImageNet-pretraining, evenals een architectonisch identiek model dat was geïnitialiseerd zonder maan-pretraining. De studie toonde bovendien een bijzonder sterke 'label-efficiëntie' aan bij kraterdetectie. Dit suggereert dat de representaties die via maan-pretraining zijn aangeleerd, de hoeveelheid taakspecifieke gelabelde data kunnen verminderen die nodig is voor bepaalde toepassingen.
Multimodaal ontwerp
Het multimodale ontwerp van het model stelt het in staat om relaties tussen verschillende soorten waarnemingen van de maan te leren, in plaats van elke dataset onafhankelijk te behandelen. Het model is ontworpen om te functioneren met zowel waarnemingen op regionale schaal via de Wide Angle Camera (WAC) als data op meterschaal via de Narrow Angle Camera (NAC), terwijl informatie zoals terrein, verlichtingsgeometrie en andere eigenschappen van het maanoppervlak wordt geïntegreerd.
Door het vooraf getrainde model, de fine-tuning code en de benchmark-datasets openbaar te maken, beoogt het team een herbruikbare basis te bieden voor de planetaire wetenschaps- en AI-gemeenschappen om nieuwe toepassingen voor maanonderzoek te ontwikkelen.
De SomBench dataset
Een belangrijk onderdeel van dit werk was de gezamenlijke ontwikkeling van SomBench. Deze dataset werd gebruikt voor zowel de pretraining van het model als voor de gestandaardiseerde evaluatie van machine learning (ML) toepassingen voor de maan.
SomBench bestaat uit twee complementaire componenten:
- Een kernset van multi-instrument data, die dient als het pretraining-corpus voor het NASA-IBM Lunar Foundation Model.
- Een suite van applicatie-benchmarks, gebruikt om ML-methoden te evalueren op representatieve problemen binnen de maanwetenschap. Deze suite richt zich op drie brede wetenschappelijke thema's: inslagprocessen, vulkanische geschiedenis en polaire vluchtige stoffen.
In het kader van deze inspanning leidde Dr. Slank de ontwikkeling van de kraterbenchmark voor de Lunar Reconnaissance Orbiter Camera (LROC) NAC met een hoge resolutie, waarbij zij handmatig meer dan 49.000 maankraters identificeerde. De resulterende dataset maakt gebruik van maanbeelden met een hoge resolutie in combinatie met co-geregistreerde digitale terreinmodellen om kraterdetectie op meterschaal te evalueren. Daarnaast droeg zij bij aan de bredere SomBench-datasets en wetenschappelijke toepassingen, en verzorgde zij een uitgebreide wetenschappelijke review van zowel de SomBench-studie als de studie naar het NASA-IBM Lunar Foundation Model.
"Een van de grootste uitdagingen was het samenbrengen van maan-datasets die zeer verschillende instrumenten en ruimtelijke resoluties beslaan (van 1 meter tot 20 kilometer per pixel), terwijl de wetenschappelijke waarde van elke dataset behouden bleef," aldus Dr. Slank. "Omdat ik zowel met het wetenschaps- als het modelleringsteam werkte, kon ik helpen ervoor te zorgen dat deze verschillen werden meegewogen toen de data werden gebundeld en gebruikt om het basismodel te trainen en te evalueren. Ik kan niet wachten om te zien welke nieuwe wetenschappelijke ontdekkingen onderzoekers kunnen doen met de hulp van het NASA-IBM Lunar Foundation Model!"
Beschikbaarheid en bronnen
Het NASA-IBM Lunar Foundation Model en de bijbehorende datasets zijn beschikbaar via Hugging Face.
Aankondigingen:
***
Over USRA
De Universities Space Research Association (USRA), opgericht in 1969 onder auspiciën van de National Academy of Sciences op verzoek van de Amerikaanse overheid, is een non-profit organisatie met als doel de ruimtegerelateerde wetenschap, technologie en techniek te bevorderen. USRA beheert wetenschappelijke instituten en faciliteiten en voert andere belangrijke onderzoeks- en educatieve programma's uit onder federale financiering. De organisatie betrekt de universitaire gemeenschap en maakt gebruik van intern wetenschappelijk leiderschap, innovatieve onderzoek en ontwikkeling, en expertise in projectmanagement.
Meer informatie over USRA is beschikbaar op www.usra.edu.
USRA draagt expertise in planetaire wetenschappen bij aan NASA-IBM Lunar Foundation Model
Het NASA-IBM-model reproduceert patronen van de kans op het voorkomen van maanijs (geschaald van blauw naar geel), getoond op vier locaties (links) nabij de pool van de maan. Bovenste rij: referentiekaart voor de kans op ijs van Mons Mouton nabij de zuidpool van de maan; middelste rij: voorspellingen van het ConvNeXt-model; onderste rij: voorspellingen van het NASA-IBM-model. Het NASA-IBM-model behoudt veel fijne patronen in de referentiedata. Beeldcredits: NASA/IBM Research
WASHINGTON, D.C., 18 september 2026 — De Universities Space Research Association (USRA) heeft expertise in planetaire wetenschappen, de ontwikkeling van maan-datasets en wetenschappelijke evaluatie bijgedragen aan het onlangs uitgebrachte NASA-IBM Lunar Foundation Model. Dit is een open-source model voor kunstmatige intelligentie (AI), ontworpen om onderzoekers te helpen bij het analyseren van de grote en diverse datasets die door maanmissies zijn verzameld.
Ontwikkeling en technische basis
Het NASA-IBM Lunar Foundation Model is ontwikkeld via een samenwerking onder leiding van NASA en IBM Research. Het model is vanaf nul getraind met behulp van SomBench, een multimodale maan-dataset die bijna twee miljoen co-geregistreerde databundels bevat, verdeeld over 11 modaliteiten en twee ruimtelijke schalen.
Het model brengt complementaire informatie over het maanoppervlak samen, waaronder:
- Beelden;
- Topografie;
- Verlichtingsgeometrie;
- Thermofysische eigenschappen;
- Mineralogie;
- Radar;
- Zwaartekracht;
- Overige geologische en milieugegevens.
De rol van USRA
De bijdrage van USRA werd geleverd door Dr. Rachel Slank, een associate scientist bij het Science and Technology Institute van USRA, gedetacheerd bij NASA’s Marshall Space Flight Center. Zij fungeerde als vakdeskundige op het gebied van planetaire wetenschappen binnen het team van het NASA-IBM Lunar Foundation Model. Dr. Slank werkte samen met zowel de wetenschaps- als de modelleringsteams om prioriteiten in de maanwetenschap en de fysieke kenmerken van planetaire datasets te verbinden met beslissingen over de ontwikkeling, toepassingen en evaluatie van het model.
Evaluatie en prestaties
Het NASA-IBM Lunar Foundation Model is geëvalueerd aan de hand van drie downstream-benchmarks:
- Kraterdetectie, zowel op regionaal niveau als op meterschaal;
- Segmentatie van onregelmatige mare-vlakten (irregular mare patches, IMP's);
- Regressie van de kans op het voorkomen van ijs op de maanpolen.
Samen beoordelen deze toepassingen de prestaties van het model over een divers scala aan uitdagingen in de maanwetenschap: van het identificeren van inslagkenmerken en het in kaart brengen van ongebruikelijke vulkanische landvormen, tot het integreren van milieudatasets die verband houden met de stabiliteit en potentiële distributie van polaire vluchtige stoffen.
Bij alle drie de benchmarks presteerde het vooraf getrainde NASA-IBM Lunar Foundation Model gelijk aan of beter dan vergelijkingsmodellen die gebaseerd waren op ImageNet-pretraining, evenals een architectonisch identiek model dat was geïnitialiseerd zonder maan-pretraining. De studie toonde bovendien een bijzonder sterke 'label-efficiëntie' aan bij kraterdetectie. Dit suggereert dat de representaties die via maan-pretraining zijn aangeleerd, de hoeveelheid taakspecifieke gelabelde data kunnen verminderen die nodig is voor bepaalde toepassingen.
Multimodaal ontwerp
Het multimodale ontwerp van het model stelt het in staat om relaties tussen verschillende soorten waarnemingen van de maan te leren, in plaats van elke dataset onafhankelijk te behandelen. Het model is ontworpen om te functioneren met zowel waarnemingen op regionale schaal via de Wide Angle Camera (WAC) als data op meterschaal via de Narrow Angle Camera (NAC), terwijl informatie zoals terrein, verlichtingsgeometrie en andere eigenschappen van het maanoppervlak wordt geïntegreerd.
Door het vooraf getrainde model, de fine-tuning code en de benchmark-datasets openbaar te maken, beoogt het team een herbruikbare basis te bieden voor de planetaire wetenschaps- en AI-gemeenschappen om nieuwe toepassingen voor maanonderzoek te ontwikkelen.
De SomBench dataset
Een belangrijk onderdeel van dit werk was de gezamenlijke ontwikkeling van SomBench. Deze dataset werd gebruikt voor zowel de pretraining van het model als voor de gestandaardiseerde evaluatie van machine learning (ML) toepassingen voor de maan.
SomBench bestaat uit twee complementaire componenten:
- Een kernset van multi-instrument data, die dient als het pretraining-corpus voor het NASA-IBM Lunar Foundation Model.
- Een suite van applicatie-benchmarks, gebruikt om ML-methoden te evalueren op representatieve problemen binnen de maanwetenschap. Deze suite richt zich op drie brede wetenschappelijke thema's: inslagprocessen, vulkanische geschiedenis en polaire vluchtige stoffen.
In het kader van deze inspanning leidde Dr. Slank de ontwikkeling van de kraterbenchmark voor de Lunar Reconnaissance Orbiter Camera (LROC) NAC met een hoge resolutie, waarbij zij handmatig meer dan 49.000 maankraters identificeerde. De resulterende dataset maakt gebruik van maanbeelden met een hoge resolutie in combinatie met co-geregistreerde digitale terreinmodellen om kraterdetectie op meterschaal te evalueren. Daarnaast droeg zij bij aan de bredere SomBench-datasets en wetenschappelijke toepassingen, en verzorgde zij een uitgebreide wetenschappelijke review van zowel de SomBench-studie als de studie naar het NASA-IBM Lunar Foundation Model.
"Een van de grootste uitdagingen was het samenbrengen van maan-datasets die zeer verschillende instrumenten en ruimtelijke resoluties beslaan (van 1 meter tot 20 kilometer per pixel), terwijl de wetenschappelijke waarde van elke dataset behouden bleef," aldus Dr. Slank. "Omdat ik zowel met het wetenschaps- als het modelleringsteam werkte, kon ik helpen ervoor te zorgen dat deze verschillen werden meegewogen toen de data werden gebundeld en gebruikt om het basismodel te trainen en te evalueren. Ik kan niet wachten om te zien welke nieuwe wetenschappelijke ontdekkingen onderzoekers kunnen doen met de hulp van het NASA-IBM Lunar Foundation Model!"
Beschikbaarheid en bronnen
Het NASA-IBM Lunar Foundation Model en de bijbehorende datasets zijn beschikbaar via Hugging Face.
Aankondigingen:
***
Over USRA
De Universities Space Research Association (USRA), opgericht in 1969 onder auspiciën van de National Academy of Sciences op verzoek van de Amerikaanse overheid, is een non-profit organisatie met als doel de ruimtegerelateerde wetenschap, technologie en techniek te bevorderen. USRA beheert wetenschappelijke instituten en faciliteiten en voert andere belangrijke onderzoeks- en educatieve programma's uit onder federale financiering. De organisatie betrekt de universitaire gemeenschap en maakt gebruik van intern wetenschappelijk leiderschap, innovatieve onderzoek en ontwikkeling, en expertise in projectmanagement.
Meer informatie over USRA is beschikbaar op www.usra.edu.
Groetjes,