Model AI Bulan NASA–IBM terbuka—akurasi fitur naik hingga 23%

Pada 10 September 2026, halaman peluncuran NASA mencatat bahwa NASA dan IBM telah merilis NASA-IBM Lunar Foundation Model, menyediakan bobot model melalui Hugging Face dan kode melalui GitHub, serta membuka dataset prapelatihan dan koleksi benchmark; model tersebut dilatih pada sekitar dua juta tile, termasuk lebih dari satu juta citra beresolusi satu meter dan hampir 964.000 citra multispektral beresolusi 100 meter.

Model ini ditujukan untuk menyesuaikan satu fondasi prapelatihan ke beberapa tugas pemetaan Bulan, termasuk pencarian wilayah yang berpotensi menyimpan es, deteksi kawah, dan segmentasi fitur vulkanik. Klaim peningkatan kinerja dalam judul merupakan hasil maksimum pada evaluasi tertentu: setiap tugas memakai data masukan, baseline, metrik, dan mutu label yang berbeda.

Data prapelatihan menyatukan pengamatan lintas misi

NASA-IBM Lunar Foundation Model mempelajari hubungan antara lapisan pengamatan yang disejajarkan berdasarkan lokasi di permukaan Bulan. Sumber utamanya adalah Lunar Reconnaissance Orbiter, dilengkapi citra dan data medan dari GRAIL, Lunar Prospector, serta SELENE/Kaguya milik JAXA.

Resolusi yang berbeda memberi konteks yang tidak tersedia dari satu instrumen saja. Citra satu meter menangkap detail medan dan kawah kecil, sedangkan lapisan multispektral 100 meter menyediakan konteks regional; pengamatan topografi dan geofisika menambah informasi mengenai bentuk serta sifat permukaan.

Model dasar diprapelatih sebelum disesuaikan untuk tugas tertentu dengan data berlabel. Artinya, rilis ini menyediakan representasi awal yang dapat digunakan kembali, tetapi hasil akhirnya tetap dipengaruhi oleh label, konfigurasi fine-tuning, resolusi masukan, dan wilayah evaluasi.

Angka benchmark tidak mewakili satu jenis akurasi

Rincian benchmark IBM menempatkan klaim umum “hingga 23%” sebagai batas atas peningkatan identifikasi fitur; pada tugas yang dijabarkan, galat RMSE untuk prospektivitas es turun hingga 22%, pemetaan kawah skala konteks unggul hampir 19% dengan separuh data pelatihan, dan cakupan fitur vulkanik membaik 3% dibandingkan SwinV2-B yang diprapelatih pada ImageNet.

Pemetaan tugas berikut menunjukkan apa yang benar-benar telah didemonstrasikan dan batas pembacaannya:

• Prospektivitas es kutub. Masukannya berupa pengamatan multimodal dan multiresolusi untuk memperkirakan wilayah tempat es mungkin stabil. Metriknya adalah RMSE terhadap peta referensi, dengan SwinV2-B sebagai baseline. Keluaran ini merupakan estimasi prospektivitas, bukan deteksi fisik deposit es atau pengukuran volumenya.
• Pemetaan kawah. Evaluasi menggunakan data berskala meter untuk detail kawah dan data sekitar 100 meter untuk konteks regional. Pada skala meter, hasilnya dinilai sebanding dengan SwinV2-B dengan efisiensi dan biaya fine-tuning yang lebih baik; keunggulan terukur muncul pada konfigurasi skala konteks. Hasil tersebut tidak otomatis berlaku untuk setiap ukuran kawah, kondisi pencahayaan, atau dataset baru.
• Irregular mare patches. Tugasnya adalah segmentasi bentang vulkanik langka yang berkaitan dengan sejarah termal Bulan. Metrik yang ditonjolkan adalah cakupan fitur dibandingkan label referensi, bukan pembuktian umur atau aktivitas geologinya. Tim menggunakan label yang tidak sempurna, sehingga kualitas anotasi membatasi ketepatan batas segmentasi.

Ketiga hasil itu tidak dapat dirata-ratakan menjadi “akurasi model” tunggal. Penurunan galat regresi, peningkatan kinerja deteksi, dan perluasan cakupan segmentasi mengukur hal berbeda, meskipun semuanya membandingkan konfigurasi NASA-IBM dengan keluarga baseline yang sama.

Rilis terbuka mencakup bahan untuk reproduksi

Paket publik mencakup bobot model, kode pengujian dan eksperimen, dataset prapelatihan yang disiapkan untuk pembelajaran mesin, koleksi benchmark, serta integrasi dengan perangkat sumber terbuka TerraTorch. Tautan menuju model, repositori kode, data, benchmark, dan laporan teknis tersedia melalui halaman peluncuran NASA yang dirujuk pada awal artikel.

Cakupan ini memungkinkan peneliti memeriksa lebih dari keluaran demonstrasi: mereka dapat menjalankan evaluasi, membandingkan baseline, mengganti himpunan label, atau melakukan fine-tuning untuk pertanyaan ilmiah lain. Namun, label terbuka dan bobot yang dapat diunduh tidak menjamin reproduksi identik tanpa konfigurasi, sumber daya komputasi, serta pemrosesan masukan yang sebanding.

Salah satu demonstrasi menggunakan citra Lunar Reconnaissance Orbiter di sekitar kawah Einstein sebelum dan sesudah tumbukan badan roket SpaceX. Citra pascatumbukan tidak masuk ke prapelatihan; setelah fine-tuning, model menandai kawah baru sekaligus mengenali kawah yang telah ada, menunjukkan kemampuan menyesuaikan fondasi model untuk perubahan permukaan yang sebelumnya tidak terlihat.

Prediksi masih harus diuji terhadap pengukuran Bulan

Model ini mempercepat pengenalan pola, bukan menggantikan pengamatan fisik atau penilaian ilmiah. Liputan independen Live Science menguraikan tantangan penyatuan data dari beragam sensor serta perubahan cahaya dan bayangan tajam yang dapat menyamarkan detail geologi di permukaan tanpa atmosfer.

Karena itu, peta prospektivitas es hanya menunjuk lokasi yang layak diperiksa lebih lanjut. Batas kawah dan irregular mare patches yang diprediksi juga masih memerlukan validasi sebelum dipakai untuk kesimpulan geologi atau keputusan operasional.

Pada saat peluncuran, yang sudah tersedia adalah model, kode eksperimen, data prapelatihan, dan benchmark beserta hasil awal untuk tiga kelompok tugas. Pertanyaan berikutnya adalah apakah keunggulan tersebut bertahan ketika komunitas independen memakai label lain, mereproduksi konfigurasi evaluasi, dan menguji wilayah atau kombinasi instrumen di luar benchmark awal.

Baca juga:

• Data genom Eropa bisa menurunkan akurasi—lebih banyak data tak selalu lebih baik
• Swift kembali mengamati semesta, tetapi waktunya tinggal hitungan bulan
• Gateway AI dibobol—satu celah dapat membuka semua kunci model