• NASA-IBM Lunar Foundation Modelは、数十年にわたる月観測データを発見のための基盤へと変換し、単一の観測機器では見出せなかった規模でデータ間のパターンを明らかにすることを支援

• 本モデルは、月面上の潜在的な氷堆積物、クレーター、火山地形などの主要な地理的特徴の識別において、広く利用されている手法と比べて最大23%高い性能を示し、持続的な月面探査・活動を支援

2026年09月11日

【米国ニューヨーク州ヨークタウンハイツ- 2026年9月10日（現地時間）発】

IBMとNASAは本日、月の科学探査向けとして一般公開される初期の基盤モデルの1つであるNASA-IBM Lunar Foundation Modelをオープンソースとして公開したと発表しました。IBMとNASAの研究者が整備した大規模な月観測データセットを用いて学習した本モデルは、科学者が複数の機器から数十年にわたって蓄積された複雑かつ多様な観測データから洞察を導き出すことを可能にし、月面における持続的な人類活動の実現を支援します。

月の地形は長い年月をかけて変化してきました。その過程の中で、月面にはクレーターが形成され、氷が分布し、火山活動も発生してきました。数十年にわたり、センサーや観測機器は継続的に月を観測し、ペタバイト級のデータを生成してきました。しかし、月面を研究するためには、科学者は地図や画像を手作業で分析するか、低解像度で、特定のタスク向けに設計された機械学習モデルを利用する必要がありました。こうした手法は計算コストが高く、地理的特徴の識別や科学的な分析に必要な精度が十分でない場合があります。今回公開されたNASA-IBM Lunar Foundation Modelは、種類や解像度の異なる月に関するデータ間の隠れた関連性を特定することで、科学研究の進展を加速します。

研究者はNASA-IBM Lunar Foundation Modelを活用して、以下のような月に関するさまざまな現象を調査できます。

• 月面上の潜在的な氷堆積物：永久影領域は、月面において最も観測が難しい環境の1つですが、地下に月の氷を含んでいる可能性があります。月の氷は水や酸素の存在を示しており、これらは将来の月面基地や火星探査ミッション向けロケット燃料の製造に不可欠な資源と考えられています。NASA-IBMモデルは、マルチモーダルかつ複数解像度の観測データを組み合わせて、月面上で氷が存在する可能性のある場所を予測します。同モデルは、月の氷が存在する可能性の高い領域の識別において、SwinV2-B（ImageNet）モデル^*1と比較して誤差（RMSE）を最大22%削減しました。
• 火山活動の歴史：科学者は、不規則な玄武岩質の海斑（Irregular Mare Patches）と呼ばれる月の火山地形を研究することで、月の火山活動の歴史や熱進化をより深く理解しようとしています。また、こうした変化の痕跡を残す領域を特定することは、将来の月面運用において戦略的な意味を持ちます。このモデルは、不完全なラベルを用いる場合でも、SwinV2-B（ImageNet）モデルと比較して火山地形の広がりを3%高い精度で捉えることができ、同等の精度を維持しながら効率性の向上とファインチューニング・コストの削減を実現します^*2。
• クレーターの検出：クレーターは月を特徴づける最も重要な地形の1つであり、地形の年代、地質学的特性、月内部の初期の化学組成など、月の歴史に関する重要な手掛かりを提供します。クレーターのマッピングは、NASAによる安全な着陸地点の選定や、急斜面や岩塊といった危険要因の回避、さらに長期的な月面インフラストラクチャーの設置計画にも役立ちます。このモデルにより、研究者はメートル単位の解像度でクレーターを識別し、特徴を把握して分類できるようになりました。SwinV2-Bなど最先端モデルと同等の精度を維持しながら、より高い効率性と低いファインチューニング・コストを実現しています。また、約100メートルの広域コンテキスト解像度では、学習データ量を半分に抑えながらSwinV2-Bを約19%上回る性能を示しました^*3。

NASA本部のチーフ・サイエンス・データ・オフィサー兼チーフ・データ・AI・オフィサー代行であるケビン・マーフィー（Kevin Murphy）氏は、次のように述べています。「NASAは数十年にわたり、月に関する極めて貴重な科学的記録を築いてきました。しかし、データの収集はその取り組みの一部に過ぎません。私たちは、科学者がデータをより容易に探索し活用できるようにする必要もあります。NASA-IBM Lunar Foundation Modelは、NASAが保有するペタバイト規模の科学データにAIを適用することで何が可能になるかを示しています。これは、私たちがAIに見出している真の可能性です。すなわち、大規模なデータを新たな発見へと結び付けることです」

IBM Researchの欧州、英国、アイルランド担当ディレクターであるフアン・ベルナベ・モレノ（Juan Bernabe-Moreno）は、次のように述べています。「月の謎を解明するには、膨大な科学データから学習する能力が不可欠です。NASA-IBM Lunar Foundation Modelは、科学者が大規模な月面探査を進めるための基盤を提供します。多様な観測機器から得られるデータを結び付け、個別には見えにくいパターンを明らかにするとともに、世界の研究コミュニティーが発展させることのできるオープンなプラットフォームを提供します」

月に関するデータは豊富に存在する一方で、マルチモーダルかつ複数解像度のデータを現代的な機械学習に適した共通フレームワークへ統合した一般公開データセットは存在していませんでした。IBMとNASAの科学者は、このモデルとともに、この分野では初となるオープンソースの月データセットも構築しました。この機械学習向けに整備された統合月データセットは、4つのミッションにおける9種類の観測機器から得られた30以上の空間的に位置合わせされたデータレイヤーを集約しています。このデータセットは、NASAのLunar Reconnaissance Orbiter（LRO）およびGRAILミッションによる数万点の画像や地図を統合し、月面および地下の固有の地球物理学的特性を示します。さらに、宇宙航空研究開発機構（JAXA）のSELENE（かぐや）による補完的な月データも取り込み、月面科学コミュニティーが研究基盤として活用し、さらに発展させることのできる、豊富なマルチモーダルの月面・地下データを提供します。

このモデルは、価値ある科学データを科学コミュニティー全体が利用できる発見のための共有基盤へと変換する、IBMとNASAによるこれまでの協業を拡張するものです。モデルをオープンソース化することで、科学者や研究者は月探査を加速する先進的なAIシステムへアクセスできるようになります。このモデルは、地理空間、気象、太陽系物理学、そして今回の月探査を対象とする、Hugging Face上で公開されているPrithviファミリーのオープンソース基盤モデルに加わります。これらのモデルは、個別の科学的な問いごとに新たなアルゴリズム・システムを構築するのではなく、共有モデルを出発点として新たなタスクへ適応させることで、分野横断的な発見の加速を目指すという、より広範なビジョンを推進します。

本資料は、2026年9月10日（現地時間）にIBM Corporationが発表したプレスリリースの抄訳をもとにしています。原文はこちらを参照ください。

*1“Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing”, pg 17 (authored by IBM & NASA) *2“Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing”, pg 17 (authored by IBM & NASA) *3“Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing”, pg 15　(authored by IBM & NASA)

IBM、IBM ロゴ、ibm.comは、世界の多くの国で登録されたInternational Business Machines Corp.の商標です。他の製品名およびサービス名等は、それぞれIBMまたは各社の商標である場合があります。現時点での IBM の商標リストについては、ibm.com/trademark をご覧ください。