NASAとIBMの月基盤モデル、氷誤差最大22%削減

この公開は、2022年初頭からSpace Act Agreementの下で続くNASAとIBMの「AI for Science」協業の一環だ。両組織は2023年8月に最初のPrithviモデルをHugging Faceで公開し、米国本土のLandsatとSentinel-2画像で学習して洪水・山火事マッピング向けに適応させた。月モデルもそのパターンに従い、基盤のTerraMindはIBMが2025年にESAとForschungszentrum Jülichと地球観測向けに開発したもので、基盤アーキテクチャは月専用に作られたわけではない。

学習コーパスは月研究としては異例に広い。NASAのGRAIL重力データやLunar Prospectorの水素観測、JAXAのKaguya/SELENE鉱物学データを含む9機器・4ミッションの30以上の空間整合データ層を統合している。チームはタイルをランダム配分せず地図ゾーンで地理的に分割し、学習・検証・テスト間の漏洩を防ぐ狙いだ。際立つ設計判断が一つある。モデルに生ピクセルから照明を推測させるのではなく、照明角・太陽位置・タイル範囲を明示的な文脈として与えている。照明幾何は月面の見え方を実際の性質よりも大きく左右するからだ。

結果はタスクによってまちまちだ。最大の利得は極域氷予測で現れたが、メートルスケールのクレーター検出とIrregular Mare Patchesでは最強ベースラインとほぼ同等で、差は学習実行間の分散内に収まる。IBMはIMPで3パーセントの優位を主張するが、報告された結果はより同等に見える。著者らはモデルを物理測定機器の代替ではなく下流作業向けの再利用可能な基盤として提示しており、各革新を切り分ける統制実験はまだ待たれる。優位性のどこまでが月事前学習によるものか、アーキテクチャによるものかは未解決であり、このモデルか自前のタスク特化パイプラインかに取り組む研究者にとって最重要だろう。