NASA·IBM, 달 크레이터·얼음 예측 AI 오픈소스 공개…오차 22% 줄었다

NASA와 IBM이 달 표면 데이터를 분석하는 오픈소스 인공지능 모델을 공개했다. 이름은 ‘NASA-IBM 루나 파운데이션 모델(Lunar Foundation Model)’로, 크레이터와 화산 지형을 지도화하고 얼음이 있을 가능성이 높은 지역을 예측하는 데 쓰인다. 두 기관은 9월 10일(현지시각) 이를 발표했으며, 모델은 허깅페이스(Hugging Face)에서 무료로 받을 수 있고 전체 코드는 깃허브(GitHub)에 공개됐다. 훈련에는 주로 NASA의 달 정찰궤도선(LRO)이 17년간 수집한 자료가 쓰였다.

데이터는 쌓였지만 활용은 더딘 달 연구, AI로 돌파구 찾다

센서와 장비가 만들어낸 달 관련 정보는 페타바이트 단위에 달한다. 하지만 연구자들은 이 자료를 직접 눈으로 살피거나, 과제 하나마다 별도의 머신러닝 모델을 새로 만들어야 했다고 IBM은 발표문에서 설명했다.

파운데이션 모델은 서로 다른 해상도와 종류의 달 데이터 사이 관계를 학습하도록 훈련됐다. 연구자는 프로젝트마다 시스템을 새로 짜는 대신, 이 모델을 각자의 연구 주제에 맞춰 조정해 쓸 수 있다.

NASA 본부의 최고과학데이터책임자이자 최고데이터·AI책임자 대행인 케빈 머피(Kevin Murphy)는 “NASA는 수십 년에 걸쳐 달에 대한 방대한 과학 기록을 쌓아왔지만, 데이터를 모으는 것은 일의 절반일 뿐”이라고 말했다. 그는 “과학자들이 데이터를 더 쉽게 탐색하고 활용하게 만들어야 한다”며 “대규모 데이터를 새로운 발견으로 바꾸는 것이 AI가 가진 진짜 기회”라고 덧붙였다.

200만 장 이미지 타일로 훈련된 비전 트랜스포머

모델의 뼈대는 처음부터 새로 학습시킨 비전 트랜스포머(vision transformer) 인코더-디코더 구조다. 입력 일부를 가리고 나머지로 복원하도록 학습시키는 마스크드 토큰 방식을 써서, 지형과 영상 등 서로 다른 관측값 사이의 관계를 스스로 익히도록 설계됐다.

훈련에는 약 200만 개의 이미지 타일이 쓰였다. 이 중 100만 장이 넘는 고해상도 카메라 영상은 1m 해상도로 촬영됐고, 나머지 약 96만4000장은 100m 해상도의 다중분광 영상이다. LRO 외에도 NASA의 GRAIL(중력회수 및 내부구조 실험실) 임무, 루나 프로스펙터, 일본 우주항공연구개발기구의 셀레네(SELENE, 가구야) 임무 자료가 함께 쓰였다.

이렇게 만들어진 데이터셋은 네 개 임무, 아홉 개 장비에서 얻은 30개 이상의 공간 정렬 데이터 레이어로 구성된다. IBM과 NASA는 이를 다중 모달·다중 해상도 관측을 기계학습에 곧바로 쓸 수 있는 형태로 통합한 첫 오픈소스 달 데이터셋이라고 설명했다. 달은 자전축이 약 1.5도밖에 기울어져 있지 않아 극지방에는 태양이 늘 지평선 가까이 머물고, 이 때문에 크레이터 안쪽은 영구적으로 그늘진 채로 남는다.

얼음 예측 오차 22% 줄이고 화산 지형까지 포착

성능은 기존 이미지 모델 SwinV2-B와 비교해 측정됐다. IBM과 NASA 연구진이 작성한 기술 논문에 따르면, 극지 얼음 가능성을 예측하는 과제에서 이 모델의 평균제곱근오차는 0.0293으로, SwinV2-B의 0.0377보다 약 22% 낮았다. 오차가 작을수록 예측이 정확하다는 뜻이다.

‘부정형 해양 반점’이라 불리는 특이한 화산 지형을 식별하는 과제에서는, 라벨이 불완전한 상황에서도 SwinV2-B보다 형태 인식률이 3% 개선됐다. 크레이터 탐지에서는 1m급 해상도에서 기존 전용 기법과 비슷한 정확도를 내면서도 미세조정 비용은 더 낮았고, 약 100m 해상도로 넓게 볼 때는 훈련 데이터를 절반만 쓰고도 SwinV2-B보다 약 19% 높은 성능을 보였다.

이 프로젝트를 IBM과 함께 이끈 NASA의 달 지형 전문가 마이클 바커는 부정형 해양 반점에 대해 “이 지형들의 형성 시기는 아직 큰 논쟁거리”라며 “분포와 특성을 더 잘 이해할수록 이 수수께끼를 풀 가능성이 커진다”고 말했다. IBM 리서치 유럽 아일랜드·영국 총괄인 후안 베르나베모레노(Juan Bernabé-Moreno)는 “경험 많은 여행자는 낯선 목적지로 떠나기 전 지형을 먼저 파악한다”며 “이 AI 모델이 과학계의 달 탐색과 다음 세대 우주비행사들의 길찾기를 도울 수 있기를 바란다”고 밝혔다.

아르테미스 이후 달 기지 후보지 찾는 데 쓰일까

이 모델은 IBM이 날씨·지구관측·태양물리 분야에서 내놓은 프리스비 계열 오픈 모델군에 합류한다. NASA와 IBM은 이미 지구관측용 모델과 태양물리 모델을 함께 개발한 바 있으며, 이번 달 모델도 같은 협력의 연장선에 있다. 구글이 위성·지상관측소 자료를 결합해 시간 단위 기상예측을 내놓는 웨더넥스트 3를 선보인 것처럼, 과학 데이터에 파운데이션 모델을 적용하는 흐름은 여러 기술기업으로 확산하고 있다.

크레이터 지도는 달 지형의 나이와 구성을 추정하는 데 쓰이고, 임무 설계자들에게는 경사면과 큰 돌 같은 위험 요소를 파악하는 데도 도움이 된다. NASA는 아르테미스 II 유인 달 궤도 비행 이후 이어질 표면 임무를 준비하며 이런 지형 정보를 활용할 계획이다. 영구 그늘진 크레이터는 영하 246도(-410°F)까지 내려가는 반면 양지는 섭씨 121도(250°F)에 이를 만큼 극단적인 환경이며, NASA는 극지 크레이터에 수억 톤에 달하는 얼음이 존재할 수 있다고 보고 있다. 이 얼음은 식수와 산소, 나아가 로켓 연료로도 쓰일 수 있는 자원으로 꼽힌다.

다만 결과는 모델을 만든 기관 스스로 수행한 연구에서 나온 것이다. 다른 데이터셋과 활용 사례에서 독립적인 검증이 이뤄져야 실제 성능이 분명해질 것이라는 게 관련 보도의 지적이다. 개발팀도 연구자들이 모델의 훈련 범위와 데이터 종류, 공간 해상도가 자신의 과제에 맞는지 먼저 확인하고, 얼음 가능성이나 착륙 조건, 지형 판단에 쓰기 전 기존 방법·직접 관측과 결과를 비교해야 한다고 안내했다.