NASA와 IBM 리서치가 협력해 개발한 오픈소스 인공지능 모델 '루나 파운데이션 모델(Lunar Foundation Model)'이 공개됐다. 달 탐사 임무들이 축적해 온 방대하고 이질적인 데이터를 연구자가 분석할 수 있도록 돕는 것을 목표로 한 모델로, 미국의 비영리 우주 연구기관 USRA(Universities Space Research Association)가 행성과학 전문성과 데이터셋 개발, 과학적 평가를 담당했다. 사전학습 모델과 파인튜닝 코드, 벤치마크 데이터셋이 모두 허깅페이스를 통해 공개돼 누구나 활용할 수 있다.
200만 개 데이터 묶음으로 처음부터 학습
이 모델의 핵심은 'SomBench'라는 멀티모달 데이터셋이다. 서로 정합(co-registered)된 약 200만 개의 데이터 묶음으로 구성돼 있으며, 11개의 모달리티와 두 개의 공간 스케일에 걸쳐 있다. 여기에는 영상, 지형, 조명 기하(illumination geometry), 열물리적 특성, 광물 조성, 레이더, 중력을 비롯한 지질·환경 정보가 포함된다. 모델은 기존에 학습된 가중치를 가져오지 않고 이 데이터셋으로 처음부터(from scratch) 사전학습됐다.
지구 관측 분야에서 파운데이션 모델이 자리 잡은 것과 달리, 달 데이터는 여전히 개별 임무·개별 장비 단위로 흩어져 다뤄지는 경우가 많았다. 루나 파운데이션 모델은 각 데이터를 독립적으로 취급하지 않고 서로 다른 관측 유형 사이의 관계를 학습하도록 설계됐다는 점이 특징이다. 구체적으로는 광역 규모의 광각 카메라(WAC) 관측과 미터 단위의 협각 카메라(NAC) 데이터를 함께 다루면서 지형과 조명 기하 등 표면 특성 정보를 결합한다.
크레이터 탐지·용암 지형·극지 얼음, 세 가지 검증
모델 성능은 세 가지 다운스트림 벤치마크로 평가됐다. 광역 및 미터 스케일의 크레이터(충돌구) 탐지, 불규칙 용암대지 패치(IMP)의 세그멘테이션, 그리고 달 극지 얼음 부존 가능성(ice prospectivity)의 회귀 예측이다. 각각 충돌 과정, 화산 활동사, 극지 휘발성 물질이라는 서로 다른 과학 주제를 대표한다. 세 벤치마크 모두에서 사전학습된 루나 파운데이션 모델은 ImageNet으로 사전학습한 비교 모델은 물론, 구조는 동일하되 달 데이터 사전학습을 거치지 않은 모델과 견주어 대등하거나 더 나은 성능을 보였다.
실무적으로 눈여겨볼 대목은 크레이터 탐지에서 나타난 '라벨 효율성'이다. 달 데이터로 학습한 표현(representation)이 특정 작업에 필요한 태스크별 라벨링 데이터의 양을 줄여줄 수 있음을 시사한다. 행성과학에서 정답 라벨을 만드는 작업은 전문가의 수작업에 크게 의존하기 때문에, 적은 라벨로도 쓸 만한 성능을 내는 특성은 연구 현장의 비용을 직접적으로 좌우한다.
실제로 데이터셋 제작이 이 프로젝트의 큰 축이었다. USRA 과학기술연구소 소속으로 NASA 마셜 우주비행센터에 파견된 레이철 슬랭크 박사는 과학팀과 모델링팀을 오가며 행성과학 우선순위와 데이터의 물리적 특성을 모델 개발 결정에 연결하는 역할을 맡았다. 특히 고해상도 LROC NAC 크레이터 벤치마크 개발을 이끌며 4만 9,000개 이상의 크레이터를 직접 식별했고, 이를 정합된 디지털 지형 모델과 결합해 미터 해상도의 탐지 성능을 평가할 수 있게 했다.
슬랭크 박사는 가장 큰 난제로 서로 다른 장비와 공간 해상도를 가진 데이터를 통합하는 문제를 꼽았다. 그는 픽셀당 1미터에서 20킬로미터에 이르는 해상도 차이를 언급하며 "각 데이터셋의 과학적 가치를 보존하면서 이를 하나로 묶는 것이 어려웠다"고 밝혔다. 두 팀을 오가는 위치 덕분에 데이터를 통합하고 학습·평가에 쓰는 과정에서 이런 차이가 고려되도록 도울 수 있었다는 설명이다.
오픈소스로 남긴 재사용 가능한 토대
이번 공개의 의미는 단일 모델의 성능 지표보다 '재사용 가능한 토대'를 열어두었다는 점에 있다. SomBench는 사전학습 코퍼스인 다중 장비 핵심 데이터셋과, 대표적 달 과학 문제에 대해 머신러닝 기법을 표준화된 방식으로 평가하는 응용 벤치마크 묶음으로 나뉜다. 즉 모델뿐 아니라 서로 다른 연구팀의 방법을 같은 기준으로 비교할 수 있는 평가 인프라까지 함께 제공되는 셈이다.
다만 현재 검증된 범위는 크레이터 탐지, IMP 세그멘테이션, 극지 얼음 예측이라는 세 가지 과제에 한정된다. 얼음 부존 가능성 결과 역시 참조 지도의 패턴을 잘 재현했다는 정성적 평가가 중심이며, 이를 실제 착륙 지점 선정이나 자원 판단에 곧바로 대입할 수 있다는 의미는 아니다. 한국의 실무자 입장에서 이 모델은 즉시 쓰는 완제품이라기보다, 자체 달 데이터 분석 파이프라인의 사전학습 백본이나 벤치마크 기준선으로 실험해 볼 만한 출발점에 가깝다. 오픈소스로 풀린 만큼 실제 가치는 각 연구팀이 자신의 과제에 파인튜닝해 검증해 나가는 과정에서 드러날 것이다.