NASA ve IBM Research, açık kaynaklı NASA-IBM Lunar Foundation Model'i yayınladı; 17 yıllık ay gözlem verilerini makine öğrenimi ve ay bilimi için çok yönlü bir temel haline dönüştürüyor. Model, gezegen araştırmalarında veri etiketlerinin kıtlığı sorununu, büyük miktarda etiketlenmemiş veri üzerinde önceden eğitilmiş yeteneklerden yararlanarak çözmek üzere tasarlandı; özellikle kutup buz birikintilerini tahmin etmede ve kraterleri tespit etmede üstün performans gösteriyor.
Model, bugüne kadar oluşturulmuş en büyük ortak kaydedilmiş çok modlu ay korpusu olan SomBench kullanılarak sıfırdan eğitildi; bu korpus, dokuz enstrüman ve dört görevden toplanan neredeyse 2 milyon karo paketini içeriyor. Bu veri seti, Lunar Reconnaissance Orbiter'dan 17 yıllık gözlemleri, GRAIL, Lunar Prospector ve Kaguya görevlerinin verileriyle birleştiriyor. Güneş konumu ve aydınlatma açıları gibi açık görüntüleme geometrisini doğrudan girdi olarak dahil ederek, model ayın aşırı aydınlatma koşullarını doğru bir şekilde hesaba katıyor.
Performans değerlendirmelerinde, önceden eğitilmiş model, krater tespiti ve volkanik özellik segmentasyonu gibi görevlerde mevcut temel ve kontrol modelleriyle eşit ya da daha iyi sonuçlar elde etti. En belirgin iyileşme, kutup buz tahmininde gerçekleşti; model, SwinV2-B temel modeline kıyasla hata oranını %22'ye kadar düşürdü. Bu açık kaynaklı temel model, on yıllara yayılan karmaşık gezegen gözlem verilerini, Ay'da su kaynakları ve yüzey özelliklerini inceleyen bilim insanları için kolayca kullanılabilir hâle getirdiği için önem taşıyor.