NASA-IBM Lunar Foundation Model 공개: 17년 치 달 관측 데이터를 통합한 오픈소스 파운데이션 모델의 가능성과 한계
NASA와 IBM 연구소(IBM Research)는 여러 학술 기관과 협력하여 달 탐사와 과학 연구를 위한 오픈소스 인공지능 모델인 'NASA-IBM Lunar Foundation Model'을 공개했습니다12. 양 기관은 2022년 초부터 우주법 협정(Space Act Agreement)을 체결하고 과학용 파운데이션 모델을 공동 개발해 왔으며, 이번 모델은 Hugging Face와 GitHub를 통해 가중치와 코드가 모두 공개되었습니다12.
지금까지 달 과학 분야의 인공지능 분석은 특정 탐사선의 단일 센서 데이터만을 다루거나 개별 연구 목적에 맞춰 작은 모델을 처음부터 학습시키는 방식이 주를 이뤘습니다. 이번에 출시된 NASA-IBM Lunar Foundation Model은 지난 수십 년간 축적된 서로 다른 해상도와 규격의 위성 관측 데이터를 하나의 기초 모델로 통합함으로써, 적은 양의 추가 데이터(라벨)만으로도 다양한 분석 작업을 빠르게 수행할 수 있도록 설계되었습니다23.
17년 축적 데이터와 11개 모달리티를 엮은 원리
이 모델의 학습 기반이 된 말뭉치는 'SomBench' 데이터셋입니다3. SomBench는 지난 17년 동안 Lunar Reconnaissance Orbiter(LRO)가 수집한 데이터를 핵심으로 삼고 있습니다12. 여기에 GRAIL(달 중력장 복원 및 내부 구조 연구 미션), Lunar Prospector, 그리고 일본 우주항공연구개발기구(JAXA)의 Kaguya/SELENE 탐사선 등 4개 미션의 9개 기기에서 수집된 30개 이상의 공간 정렬 데이터 레이어가 결합되었습니다13.
전체 학습 데이터셋은 11개 모달리티와 2개 공간 해상도에 걸친 약 200만 개의 타일 번들로 구성되어 있습니다13. 이 중에는 LRO의 Narrow Angle Camera(NAC)가 촬영한 1미터/픽셀 해상도의 고해상도 이미지 약 100만 개와 Wide Angle Camera(WAC)의 100미터/픽셀 다중분광 이미지 약 96만 4천 개가 포함되어 있습니다13.
서로 다른 센서와 100배에 달하는 해상도 격차(1미터 대 100미터)를 하나로 묶기 위해, 연구진은 IBM과 유럽우주국(ESA)이 지구 관측용으로 개발했던 '테라마인드(TerraMind)' 아키텍처를 달 환경에 맞춰 수정했습니다34. 달은 대기가 없어 태양 각도에 따라 그림자가 극단적으로 길어지고 빛 반사가 왜곡되는 광학적 특징을 가집니다4.
연구팀은 이를 보정하기 위해 타일별 태양 입사각, 위상각, 태양 직하점 좌표 등의 관측 기하학 정보를 텍스트 형태의 시퀀스 토큰으로 변환해 인코더 입력에 직접 반영했습니다3. 또한 해상도가 다른 NAC 및 WAC 타일을 분리하지 않고 단일 혼합 배치 루프에서 고유 해상도 그대로 사전 학습을 진행하는 방식을 채택했습니다3.
주요 벤치마크 성능과 저랭크 어댑터(LoRA)의 효율성
연구진이 공개한 평가 결과에 따르면, NASA-IBM Lunar Foundation Model은 컴퓨터 비전 기준 모델들과 비교해 여러 과학적 분석 과제에서 경쟁력 있는 결과를 기록했습니다3.
가장 큰 개선을 보인 영역은 영구 음영 지역을 포함한 극지방 얼음 매장 가능성 예측(Polar ice prospectivity)입니다34. 이 평가에서 전체 미세 조정을 적용한 NASA-IBM 모델은 평균제곱근오차(RMSE) 0.0293을 기록하며, 기존 최고 성능 기준 모델인 SwinV2-B가 기록한 RMSE 0.0377 대비 예측 오차를 최대 22퍼센트 줄였습니다13. 이는 온도와 경사도, 일조 데이터 등 여러 물리량을 개별 패치 어댑터로 변환한 뒤 시퀀스 축에서 통합하는 후기 융합(late fusion) 구조가 효과를 냈기 때문으로 분석됩니다3.
지형 분석에서도 높은 라벨 효율성을 보였습니다. WAC 기반의 거친 축척 크레이터 감지 평가에서 이 모델은 학습 데이터의 50%만 사용하고도 전체 데이터를 학습한 SwinV2-B보다 우수한 성능을 기록했으며, 전체 데이터를 사용했을 때는 약 19퍼센트 더 높은 평균 정밀도(mAP 0.2581 대 0.2420)를 나타냈습니다13. 달의 과거 화산 활동 흔적인 불규칙 마레 패치(Irregular Mare Patches) 분할 작업에서는 교차합집합비율(IoU) 0.5709를 기록해 기준 모델들과 대등하거나 근소하게 우수한 수준을 보였습니다34.
주목할 점은 미세 조정 방식에 따른 효율성입니다. 연구진은 모델 전체를 재학습시키는 대신 기본 모델 가중치의 90%를 동결하고 가벼운 저랭크 어댑터(LoRA, rank 16)만을 학습시키는 방식을 테스트했습니다34. 그 결과, LoRA 방식은 전면 미세 조정과 전반적으로 동등한 수준의 성능을 유지했으며, 크레이터 감지 작업에서는 오히려 더 안정적인 성능을 기록했습니다13. 이는 대규모 컴퓨팅 자원이 부족한 연구 기관도 적은 비용으로 파운데이션 모델을 실제 작업에 적응시킬 수 있음을 시사합니다3.
실무 적용 전 반드시 고려해야 할 한계와 주의점
연구팀은 Hugging Face 모델 카드를 통해 본 모델의 명확한 제약 사항을 안내하고 있습니다3.
첫째, 이 모델은 절대 측지 위치 지정(Absolute Geodetic Positioning)을 수행하도록 검증되지 않았습니다3. 생성 테스트 과정에서 모델이 추정한 위도와 경도에서 수십도에 이르는 오차가 확인되었습니다13. 디지털 지형 모델(DTM)의 형태와 같은 국소적인 구조는 비교적 정확하게 복원하지만 절대적인 표고 오프셋이나 전역 좌표계가 정렬되지 않으므로, 착륙 후보지 인증이나 착륙선 장애물 회피 등 엄격한 위치 정밀도가 필요한 운영상의 결정에는 사용할 수 없습니다3.
둘째, 극지방 얼음 예측 결과는 현장에서 직접 측정한 실제 얼음의 분포가 아닙니다3. 해당 출력값은 기존 과학계에서 작성한 지식 기반의 퍼지 오버레이 가능성 지도(prospectivity map)를 회귀 학습한 결과물이므로, 이를 시추나 자원 채굴 계획의 절대적 근거로 해석해서는 안 됩니다3.
셋째, 고해상도인 1미터급 NAC 데이터 학습은 전 지구적 밀도를 갖추지 못했습니다3. 입체 DTM과 정합이 완료된 1,095개 프레임에 국한되어 전 세계적으로 분포하므로, 특정 고위도 또는 미관측 지역에서는 성능 편차가 발생할 수 있습니다3.
도입 검토 기준과 과학 연구에의 시사점
NASA-IBM Lunar Foundation Model은 현재 Apache-2.0 라이선스로 배포되어 학술 및 상업적 목적으로 자유롭게 접근할 수 있으며, 지리공간 딥러닝 오픈소스 툴킷인 TerraTorch에 통합되어 있어 파이썬 환경에서 YAML 설정 파일만으로 미세 조정이 가능합니다3.
이 모델은 다음과 같은 연구자 및 개발 조직에 유용합니다.
LRO 등에서 수집된 광범위한 달 표면 궤도선 데이터를 처리해야 하지만, 일일이 수작업으로 라벨을 달 인력이 부족한 연구팀
소규모의 라벨 데이터셋으로 특정 크레이터나 지질 구조를 자동 식별하는 분류기를 개발하려는 엔지니어
원시 영상과 수치표고모델(DEM), 열 물성 데이터를 복합적으로 활용하려는 행성 과학자
반면, 센서 수준의 보정이나 측지학적 기준 좌표가 엄격하게 보장되어야 하는 탐사선 유도·제어(GNC) 시스템이나 착륙 안전성 평가 도구의 대체재로는 적합하지 않습니다3. 본 모델을 프로젝트에 도입하려는 연구자는 생성 모델로서의 결과물보다는 사전 학습된 인코더의 특징 추출 능력을 활용하고, 작업 성격에 맞춰 LoRA 미세 조정을 우선 검토하는 것이 바람직합니다3.
이번 프로젝트는 단일 관측 기기의 한계를 넘어 인공지능을 통해 이종 탐사선들의 데이터를 하나의 지식 체계로 엮어냈다는 점에서 의의가 있습니다14. 그러나 연구진이 명시한 대로 AI 모델의 출력값은 도구일 뿐 과학적 검증이나 관측 자체를 대체할 수 없으므로, 명확한 한계를 인식한 상태에서 활용 범위를 설정해야 합니다3.
참고
2NASA, IBM Launch AI Foundation Model for Lunar Science
3nasa-ibm-ai4science/NASA-IBM-Lunar-Foundation-Model · Hugging Face
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.