NASA 联合 IBM 开源月球基础模型 LFM，多模态 AI 助力月球遥感科研

NASA 和 IBM 今日正式发布了一款专为月球遥感设计的多模态、多分辨率开源 AI 基础模型（NASA-IBM Lunar Foundation Model, LFM）。这是首个整合多种数据模态、不同观测视角及空间尺度的月球专用 AI 模型，旨在帮助科学家从海量观测数据中自动发现规律，替代传统的人工地图筛选或低精度机器学习方法。

• GitHub：https://github.com/NASA-IMPACT/NASA-IBM-Lunar-Foundation-Model
• 模型：https://huggingface.co/nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model

该模型基于 Apache-2.0 许可证开源，并配套发布了包含 30+ 空间对齐层、数万张图像的大型开源月球数据集 SomBench。

核心科学目标

LFM 的设计初衷是解决月球研究中的三大关键挑战：

1. 识别永久阴影区的水冰沉积：水冰意味着水和氧气资源，对未来载人登月至关重要。模型通过融合多模态数据，预测难以直接观测的阴影区冰存在概率。
2. 分析不规则月海斑块（IMPs）：理解这些特殊火山特征的成因与分布。
3. 陨石坑识别与分类：自动化处理数以百万计的撞击坑，揭示月球地质历史。

⚠️ 重要声明：LFM 是科学研究工具，非操作级产品。其生成的冰前景图为知识驱动的模糊叠加，并非实测值；不维护绝对大地测量参考系；未经着陆点认证等任务验证。

技术架构亮点

LFM 采用 ViT-B 编码器-解码器 架构，在 SomBench 数据集上从头训练，具备两大创新扩展：

1. 采集几何作为显式上下文

月球表面外观主要由光照几何决定，而非地表固有变化。模型将每瓦片的照明角度、太阳坐标系锚点等作为序列令牌输入，让模型直接学习主导混杂因素，而非试图从图像中反推已知变量。

2. 联合混合分辨率预训练

以 LROC NAC（1米/像素）和 LROC WAC（100米/像素）为锚点，在单个混合批次中以原生分辨率联合训练。一组权重覆盖 100 倍尺度差距，实现跨尺度特征学习。

3. FlexiViT 灵活适配

支持任意块大小微调而无需重训主干；按模态令牌化设计允许微调时自由增删模态。

多模态数据体系

LFM 的数据分为三类，全部经过严格的空间对齐与共注册：

密集图像模态

注：坡向以正弦-余弦对存储，避免角度环绕问题。NAC 与 WAC 样本从不混合。

序列上下文模态

• 光学元数据（8字段）：太阳入射角、发射角、相位角、方位角、日下点坐标、瓦片中心坐标、地面采样距离。推理时可用，无标签泄漏。
• 静态地图上下文（28字段）：涵盖 Diviner 热物理、LOLA 地形/光照、Mini-RF 雷达、Kaguya 矿物学、GRAIL 重力场、Lunar Prospector 氢丰度等。覆盖范围从近全球到仅极地不等。

预期用途与边界

✅ 适用场景

• 微调或 LoRA 适配用于检测、分割、密集回归
• 跨模态生成作为定性探针
• 使用与预训练不同的模态子集和块网格

❌ 超出范围

• 不可替代仪器校准、立体摄影测量或大地测量解决方案
• 不恢复绝对高程/经纬度（可能存在数十度偏差）
• 未经验证用于着陆点选择、危险清除等操作决策
• 未在月球之外或 SomBench 未覆盖的产品上评估

意义

IBM 欧洲研究总监 Juan Bernabe-Moreno 表示：“NASA-IBM 月球基础模型为科学家提供了大规模探索月球的基础，连接跨仪器的观测，揭示孤立情况下难以看到的模式，并提供一个全球研究社区可以构建的开放平台。”