NASA-IBM Rilis Model AI Baru untuk Petakan Kawah dan Es Bulan

NASA dan IBM meluncurkan model kecerdasan buatan (AI) baru yang dirancang khusus untuk membantu ilmuwan mempelajari permukaan Bulan. NASA-IBM Lunar Foundation Model tersebut memanfaatkan data pengamatan Bulan selama bertahun-tahun untuk memetakan berbagai fitur geologis, termasuk kawah, wilayah vulkanik, hingga lokasi yang berpotensi mengandung es.

Model ini dirilis secara open source pada 10 September 2026 sehingga dapat digunakan dan dikembangkan oleh komunitas ilmiah secara lebih luas. NASA menyebut teknologi tersebut sebagai salah satu model AI terbuka pertama yang secara khusus dikembangkan untuk ilmu kebumian Bulan. Peluncuran ini menjadi bagian dari upaya memanfaatkan AI untuk mengolah data ilmiah dalam jumlah sangat besar sekaligus mendukung rencana eksplorasi Bulan dalam jangka panjang.

Apa Itu NASA-IBM Lunar Foundation Model?

NASA-IBM Lunar Foundation Model merupakan foundation model AI yang dilatih menggunakan kumpulan data pengamatan Bulan dari berbagai instrumen dan misi luar angkasa. Berbeda dengan model AI yang dibuat hanya untuk satu pekerjaan tertentu, foundation model terlebih dahulu dilatih menggunakan data dalam jumlah besar sehingga dapat kemudian disesuaikan untuk berbagai tugas.

Dalam kasus ini, model dirancang untuk memahami karakteristik permukaan Bulan dari beragam jenis data. Peneliti kemudian dapat melakukan fine-tuning untuk keperluan tertentu, seperti mendeteksi kawah atau memperkirakan lokasi es. NASA menjelaskan bahwa model tersebut tersedia untuk publik melalui Hugging Face, sementara kode sumbernya juga dibuka melalui GitHub.

Dilatih dengan Jutaan Potongan Data Bulan

Salah satu keunggulan utama model ini terletak pada skala data yang digunakan. Model dilatih menggunakan sekitar 2 juta potongan citra atau image tiles. Data tersebut mencakup lebih dari 1 juta citra kamera beresolusi tinggi dengan resolusi sekitar 1 meter serta hampir 964.000 citra multispektral dengan resolusi sekitar 100 meter.

Data utama berasal dari Lunar Reconnaissance Orbiter (LRO) milik NASA yang telah mengamati Bulan selama bertahun-tahun. Selain LRO, model juga memanfaatkan data dari sejumlah misi lain, termasuk NASA's GRAIL, Lunar Prospector dan misi SELENE/Kaguya milik badan antariksa Jepang, JAXA. IBM dan NASA menyebut dataset yang dibangun mencakup lebih dari 30 lapisan data yang telah disejajarkan secara spasial dari sembilan instrumen pada empat misi.

Bisa Membantu Mencari Es di Bulan

Salah satu kemampuan yang paling menarik adalah membantu memperkirakan lokasi yang berpotensi memiliki es air di Bulan. Es menjadi sumber daya penting dalam rencana eksplorasi manusia karena air tidak hanya berguna untuk kebutuhan kehidupan, tetapi juga dapat diolah menjadi hidrogen dan oksigen untuk berbagai kebutuhan eksplorasi luar angkasa.

Wilayah yang menjadi perhatian utama adalah kawasan kutub Bulan, terutama permanently shadowed regions atau wilayah yang hampir tidak pernah mendapatkan sinar Matahari langsung. Temperatur di beberapa area tersebut sangat rendah sehingga es dapat bertahan dalam waktu yang sangat lama.

Model NASA-IBM dapat membantu peneliti memperkirakan lokasi yang kemungkinan memiliki es yang stabil, baik di permukaan maupun di bawah permukaan. Dalam pengujian, model menunjukkan peningkatan kinerja hingga sekitar 22 persen dalam pengurangan kesalahan untuk tugas memperkirakan potensi es dibandingkan model pembanding tertentu.

Memetakan Kawah dengan Lebih Efisien

Kawah merupakan salah satu fitur paling penting di permukaan Bulan. Setiap kawah terbentuk akibat tumbukan benda luar angkasa dan meninggalkan jejak yang dapat digunakan ilmuwan untuk mempelajari sejarah Bulan maupun sejarah awal Tata Surya.

Jumlah, ukuran dan distribusi kawah juga dapat membantu ilmuwan memperkirakan usia suatu wilayah. Dengan bantuan AI, proses identifikasi dan pemetaan kawah dapat dilakukan jauh lebih cepat dibandingkan jika seluruh citra harus diperiksa secara manual.

NASA menyebut model tersebut dapat membantu mengidentifikasi, mengontekstualisasikan dan mengklasifikasikan kawah pada resolusi hingga skala meter. Pada konteks sekitar 100 meter, model bahkan mengungguli model SwinV2-B dalam pengujian tertentu dengan menggunakan separuh data pelatihan.

Penting untuk Menentukan Lokasi Pendaratan

Kemampuan memetakan kawah bukan hanya berguna untuk penelitian ilmiah. Informasi mengenai bentuk permukaan Bulan dapat membantu perencanaan misi, termasuk menentukan lokasi pendaratan yang lebih aman. Kawah, lereng curam, batu-batu besar dan kondisi permukaan lainnya dapat menjadi risiko bagi pesawat pendarat maupun kendaraan penjelajah.

Dengan peta permukaan yang lebih rinci, peneliti dapat mengidentifikasi potensi bahaya sebelum sebuah wahana dikirim ke lokasi tertentu. Hal ini menjadi semakin penting seiring meningkatnya rencana misi robotik dan berawak ke Bulan.

Bisa Mempelajari Sejarah Vulkanisme Bulan

AI tersebut juga dirancang untuk membantu penelitian mengenai sejarah vulkanisme Bulan. Salah satu objek yang menjadi perhatian ilmuwan adalah Irregular Mare Patches (IMP), yaitu fitur vulkanik yang dianggap relatif muda dibandingkan sebagian besar permukaan Bulan. Pemetaan fitur tersebut dapat membantu ilmuwan memahami bagaimana aktivitas vulkanik Bulan berkembang dan bagaimana bagian dalam Bulan mengalami pendinginan.

Dalam pengujian, model mampu menghasilkan pemetaan fitur vulkanik dengan performa yang sebanding dengan model-model canggih yang digunakan sebagai pembanding, tetapi dengan efisiensi dan kebutuhan fine-tuning yang lebih baik.

Menggabungkan Berbagai Jenis Data

Keunggulan penting lainnya adalah kemampuan model menggabungkan data yang memiliki karakteristik berbeda. Selama puluhan tahun, berbagai wahana telah mengumpulkan data Bulan menggunakan kamera, radar, pengukuran topografi, spektroskopi dan instrumen lainnya.

Masalahnya, data tersebut berasal dari instrumen dan misi berbeda sehingga memiliki resolusi serta format yang tidak selalu sama. NASA-IBM Lunar Foundation Model mencoba menyatukan informasi tersebut dalam satu kerangka AI. Dengan begitu, ilmuwan tidak hanya melihat satu gambar, tetapi dapat menghubungkan berbagai lapisan informasi untuk memperoleh gambaran yang lebih lengkap mengenai suatu wilayah Bulan.

Open Source agar Bisa Dikembangkan Peneliti Dunia

NASA dan IBM memilih membuka model tersebut kepada publik. Langkah ini memungkinkan ilmuwan, universitas dan pengembang AI melakukan eksperimen, menguji kemampuan model, serta mengembangkannya untuk kebutuhan penelitian baru. NASA juga merilis dataset yang siap digunakan untuk pembelajaran mesin serta kumpulan data benchmark untuk membantu peneliti membandingkan performa model.

Model tersebut terintegrasi dengan TerraTorch, perangkat open-source yang dapat digunakan dalam pengembangan model AI geospasial. Dengan pendekatan ini, NASA berharap penelitian mengenai Bulan tidak hanya bergantung pada tim tertentu, tetapi dapat melibatkan komunitas ilmiah secara global.

AI Bukan Pengganti Ilmuwan

Meski memiliki kemampuan besar, model AI ini bukan berarti dapat menggantikan ilmuwan dalam melakukan penelitian Bulan. AI membantu mempercepat proses pengolahan dan menemukan pola dalam data dalam jumlah besar. Hasil prediksi tetap perlu diperiksa, divalidasi dan ditafsirkan oleh para ahli. Terlebih lagi, data pengamatan Bulan memiliki tantangan tersendiri. Perbedaan pencahayaan, sudut pengambilan gambar dan kondisi permukaan dapat memengaruhi kemampuan sistem dalam mengenali fitur tertentu.

Karena itu, AI lebih tepat dipandang sebagai alat untuk mempercepat pekerjaan ilmiah, bukan sebagai pengganti proses verifikasi ilmiah.

Mendukung Ambisi Kembali ke Bulan

Peluncuran model ini datang ketika Amerika Serikat dan sejumlah negara lain meningkatkan kembali aktivitas eksplorasi Bulan. NASA melalui program Artemis memiliki rencana jangka panjang untuk mengembalikan manusia ke Bulan dan membangun kemampuan untuk tinggal serta bekerja dalam misi yang lebih lama.

Dalam konteks tersebut, kemampuan memetakan permukaan Bulan dan menemukan sumber daya potensial seperti es menjadi semakin penting. Es air dapat menjadi salah satu sumber daya strategis apabila manusia ingin membangun kehadiran jangka panjang di Bulan. Air dapat digunakan untuk kebutuhan hidup dan berpotensi diolah menjadi bahan bakar roket, sehingga mengurangi kebutuhan membawa seluruh sumber daya dari Bumi.

Bagian dari Keluarga AI NASA dan IBM

NASA-IBM Lunar Foundation Model bukan proyek AI pertama yang dikembangkan NASA dan IBM. Model ini menjadi bagian dari keluarga Prithvi, yaitu rangkaian foundation model yang dikembangkan untuk berbagai kebutuhan ilmiah, termasuk pengamatan Bumi.

NASA dan IBM juga mengembangkan model Surya untuk bidang heliophysics, yang menggunakan data pengamatan Matahari untuk membantu penelitian mengenai cuaca antariksa. Dengan model Bulan tersebut, teknologi foundation model diperluas dari pengamatan Bumi dan Matahari ke penelitian benda langit lain.

Mengapa Es Bulan Sangat Berharga?

Penemuan dan pemetaan es di Bulan memiliki arti penting bagi masa depan eksplorasi manusia. Jika es dapat ditemukan dalam jumlah dan kondisi yang memungkinkan untuk dimanfaatkan, sumber daya tersebut dapat membantu mengurangi kebutuhan pengiriman air dari Bumi. Air juga dapat dipisahkan menjadi hidrogen dan oksigen. Keduanya merupakan komponen penting dalam sistem propulsi roket.

Karena itu, lokasi es di kutub Bulan berpotensi menjadi salah satu faktor yang dipertimbangkan ketika menentukan lokasi operasi manusia pada masa depan.

Membuka Jalan bagi Eksplorasi Bulan yang Lebih Cerdas

NASA dan IBM menilai AI dapat mengubah cara ilmuwan memanfaatkan data eksplorasi luar angkasa. Selama puluhan tahun, misi Bulan telah menghasilkan data dalam jumlah sangat besar. Tantangannya bukan lagi sekadar memperoleh data, tetapi bagaimana mengolah seluruh informasi tersebut menjadi pengetahuan yang dapat digunakan.

NASA-IBM Lunar Foundation Model mencoba menjawab tantangan tersebut dengan menyediakan sistem yang mampu mempelajari berbagai jenis data Bulan sekaligus. Dengan kemampuan memetakan kawah, memperkirakan lokasi es dan mengidentifikasi fitur vulkanik, model ini dapat membantu ilmuwan melakukan penelitian lebih cepat sekaligus mempersiapkan misi eksplorasi berikutnya.

Pada akhirnya, teknologi tersebut bukan hanya tentang membuat peta Bulan yang lebih detail. AI juga dapat membantu manusia menentukan lokasi yang aman, menemukan sumber daya potensial dan memahami sejarah Bulan sebelum kembali menjadikannya tujuan eksplorasi manusia.