NASA och IBM har släppt en ny öppen AI-modell särskilt utvecklad för forskning om månen. NASA-IBM Lunar Foundation Model presenterades den 10 september 2026 och är byggd för att hjälpa forskare analysera stora mängder observationsdata snabbare än med traditionella, uppgiftsspecifika modeller.

Modellen är öppen för forskare och utvecklare. NASA uppger att den finns på Hugging Face och att den kompletta kodbasen är tillgänglig via GitHub, vilket gör det möjligt för externa forskargrupper att testa, finjustera och bygga vidare på arbetet.

Tränad på ungefär två miljoner bildrutor

Enligt NASA är modellen huvudsakligen tränad på data från Lunar Reconnaissance Orbiter, LRO, som under många år har kartlagt stora delar av månens yta. NASA beskriver träningsmaterialet som ungefär två miljoner bildrutor: mer än en miljon högupplösta kamerabilder med omkring en meters upplösning och närmare 964 000 multispektrala bilder med omkring 100 meters upplösning.

Träningen har dessutom använt data från flera andra uppdrag, däribland NASA:s GRAIL och Lunar Prospector samt japanska JAXA:s SELENE/Kaguya.

IBM beskriver det tillhörande maskininlärningsdatasetet som en samling med fler än 30 spatialt anpassade datalager från nio instrument över fyra uppdrag. Tanken är att olika typer av observationer ska kunna analyseras i en gemensam modell i stället för att forskare måste arbeta med varje datakälla separat.

Tre användningsområden: is, vulkaniska strukturer och kratrar

NASA pekar ut flera konkreta forskningsuppgifter där modellen kan användas. Ett område är uppskattningar av var is kan finnas nära månens poler. Permanenta skuggområden kan vara tillräckligt kalla för att bevara is under mycket lång tid, vilket gör dem viktiga både för grundforskning och för planering av framtida månfärder.

Ett annat användningsområde är att identifiera ovanliga vulkaniska strukturer, så kallade irregular mare patches. De kan ge forskare mer information om månens geologiska och termiska utveckling.

Modellen kan också användas för att kartlägga kratrar. Kraterdata hjälper forskare att uppskatta åldern på olika ytor och förstå månens historia, samtidigt som detaljerade kartor kan bidra till planering av säkrare landningsområden.

Foundation-modell i stället för en modell per uppgift

Det tekniskt intressanta är inte bara att AI används på måndata, utan hur modellen är uppbyggd. En foundation-modell förtränas på ett stort och varierat datamaterial och kan sedan anpassas till flera olika uppgifter med mindre mängder märkt data.

Det skiljer sig från ett vanligare upplägg där forskare tränar en separat modell från grunden för exempelvis kraterdetektion, isanalys eller klassificering av geologiska strukturer. Om samma basmodell kan återanvändas för flera forskningsfrågor kan arbetet bli både snabbare och mer reproducerbart.

Hur bra är modellen?

NASA skriver att modellen i de genomförda testerna matchade eller överträffade flera starka baslinjemodeller inom de utvärderade uppgifterna. IBM redovisar bland annat förbättringar för analys av potentiella isområden och kraterdata, men resultaten bör läsas som prestanda i specifika forskningsbenchmark – inte som ett generellt mått på att modellen är ”bättre” för all månforskning.

En viktig del av lanseringen är därför att både modell och data görs öppna. Andra forskare kan granska metoderna, testa modellen på nya problem och jämföra resultaten med andra tekniker.

AI för vetenskap blir en egen modellkategori

Projektet ingår i ett längre samarbete mellan NASA och IBM kring foundation-modeller för vetenskapliga data. Samma grundidé används inom områden som geodata, väder och solfysik: mycket stora datamängder samlas i modeller som kan fungera som bas för många mer specialiserade analyser.

För datavetenskap innebär det att foundation-modeller flyttar utanför text, bildgenerering och generella assistenter. Här används samma typ av förtränad modellarkitektur för att hitta mönster i vetenskapliga mätdata där varje observation har geografisk, fysisk och tidsmässig betydelse.

Källor