NASA·IBM 달 탐사용 AI 공개…얼음·크레이터 분석 최대 23% 개선, 왜 중요한가

핵심 요약

NASA와 IBM은 2026년 9월 10일 달 과학 연구에 특화된 오픈소스 인공지능 모델인 NASA-IBM Lunar Foundation Model을 공개했다. 이 모델은 달 표면의 크레이터, 화산지형, 극지방의 얼음 존재 가능성을 분석하도록 설계됐고, 누구나 활용할 수 있도록 모델과 학습용 데이터셋, 코드가 공개됐다.

IBM과 NASA에 따르면 모델은 4개 달 탐사 임무의 9개 관측기기에서 얻은 30개 이상의 데이터 레이어를 통합해 학습했다. 특히 달 극지의 얼음 안정 가능성 추정, 대규모 크레이터 식별, 불규칙한 화산지형 분할 같은 과제에서 기존 널리 쓰이는 방법과 비슷하거나 더 높은 성능을 보였다. IBM은 일부 평가에서 핵심 지형 식별 성능이 최대 23% 개선됐다고 설명한다.

확인된 사실과 해석·전망 구분

확인된 사실: NASA 공식 발표에 따르면 이번 모델은 달 과학용으로 공개된 초기 오픈소스 파운데이션 모델 가운데 하나다. 주된 학습자료는 Lunar Reconnaissance Orbiter(LRO)가 지난 17년간 축적한 관측자료이며, GRAIL, Lunar Prospector, 일본 JAXA의 SELENE·Kaguya 자료도 포함됐다. 모델은 약 200만 개의 이미지 타일을 학습했고, 이 가운데 1m급 고해상도 이미지가 100만 장 이상, 100m급 다중분광 이미지가 약 96만 장 포함됐다.

해석·전망: ‘최대 23% 개선’이라는 수치는 모든 달 탐사 업무에서 성능이 23% 향상됐다는 의미가 아니다. 평가 과제에 따라 개선 폭이 다르다. 예를 들어 얼음 존재 가능성이 높은 지역을 찾는 과제에서는 비교 모델 대비 오차가 최대 22% 감소했고, 100m급 해상도의 크레이터 탐지에서는 절반 수준의 학습 데이터를 사용하면서 약 19% 더 나은 성능을 보였다. 따라서 이번 발표의 의미는 단일 숫자보다 서로 다른 관측자료를 한 모델 안에서 함께 처리할 수 있다는 점에 있다.

왜 중요한가

달 탐사의 가장 큰 문제 가운데 하나는 데이터 부족이 아니라 오히려 데이터가 너무 많고 형태가 제각각이라는 점이다. 달은 이미 수십 년 동안 다양한 탐사선과 센서로 관측돼 왔고, 영상·고도·중력·분광 자료가 대량 축적돼 있다. 그러나 연구자가 특정 지역의 얼음 가능성이나 지질학적 특징을 분석하려면 서로 다른 센서 자료를 정렬하고, 과제별 모델을 새로 만들고, 사람이 일일이 검증해야 하는 경우가 많았다.

파운데이션 모델은 이 과정을 줄이는 것이 목표다. 하나의 모델이 여러 종류의 관측자료에서 공통적인 패턴을 먼저 학습한 뒤, 소량의 정답 데이터만 추가해 크레이터 탐지·얼음 후보지 분석·화산지형 식별 같은 개별 작업에 맞게 조정될 수 있다. NASA 입장에서는 과학자의 반복 작업을 줄이고, 사람이 놓치기 쉬운 패턴을 더 빠르게 찾아내는 도구가 될 수 있다.

발생 배경

이번 모델은 NASA와 IBM이 진행해 온 ‘AI for Science’ 협력의 연장선에 있다. 두 기관은 이미 지구관측, 기상, 태양 활동 같은 분야에 적용하는 Prithvi 계열의 오픈소스 파운데이션 모델을 개발해 왔다. 달 모델 역시 특정 기업용 서비스가 아니라 연구자들이 직접 검증하고 수정할 수 있는 개방형 연구 인프라를 지향한다.

달 탐사 경쟁이 다시 활발해진 점도 배경이다. 미국의 아르테미스 프로그램뿐 아니라 중국·유럽·인도·일본 등도 달 탐사를 확대하고 있다. 특히 달 남극의 영구음영지역은 물 얼음이 존재할 가능성 때문에 중요한 후보지로 꼽힌다. 물은 식수뿐 아니라 산소와 수소로 분해해 생명유지나 연료 생산에 활용할 가능성이 있어 장기 체류형 달 탐사에서 핵심 자원으로 평가된다.

현재 진행 상황

모델과 관련 데이터셋은 공개돼 연구자가 직접 실험할 수 있는 상태다. NASA는 Hugging Face와 GitHub를 통해 모델과 코드에 접근할 수 있도록 했으며, 머신러닝용 사전학습 데이터와 벤치마크도 함께 공개했다. 이는 연구 결과를 외부 연구자가 재현하고, 자체 데이터에 맞춰 성능을 비교하도록 하기 위한 조치다.

Reuters는 이번 모델이 향후 달 착륙지 선정, 얼음 후보지 탐색, 화산지형 연구처럼 사람이 많은 자료를 검토해야 했던 작업을 보조할 수 있다고 전했다. TechRadar 역시 수십 년간 쌓인 달 관측자료를 하나의 공통 AI 기반에서 분석할 수 있다는 점을 핵심 변화로 평가했다.

주요 관계자 및 쟁점

주요 관계자는 NASA, IBM Research, 미국 대학·연구기관, 그리고 JAXA 등 관측자료 제공 기관이다. 가장 큰 쟁점은 모델의 정확도와 과학적 검증 방식이다. AI가 얼음 가능성이 높다고 예측한 지역이 실제로 얼음을 포함하는지는 결국 추가 관측이나 현장 탐사가 필요하다. 즉 AI는 후보지를 좁히는 도구이지, 존재 여부를 최종 확정하는 장비가 아니다.

또 하나의 쟁점은 학습자료의 편향이다. 달 표면이라 해도 관측 시기, 태양 고도, 그림자, 센서 해상도에 따라 같은 지형이 다르게 보일 수 있다. NASA도 새로 생긴 크레이터를 탐지하는 실험에서 조명 조건 차이가 작은 크레이터의 가시성에 영향을 줄 수 있다고 설명했다. 따라서 과학 연구에서는 AI의 예측값뿐 아니라 어떤 자료와 조건에서 나온 결과인지 함께 살펴야 한다.

앞으로 예상되는 전개

단기적으로는 외부 연구자들이 모델을 실제 달 과학 과제에 적용하면서 독립적인 성능 검증이 진행될 가능성이 크다. 공개 모델의 장점은 NASA와 IBM의 자체 평가에 그치지 않고 다른 연구팀이 새로운 지역과 데이터에 적용해 성능을 확인할 수 있다는 점이다.

장기적으로는 달뿐 아니라 화성·소행성 등 다른 천체에서도 비슷한 방식의 과학용 파운데이션 모델이 늘어날 가능성이 있다. 각 탐사 임무별로 완전히 새로운 알고리즘을 만드는 대신 공통 기반 모델을 만들고, 목적에 맞춰 세부 조정하는 방식이 자리 잡는다면 행성과학의 데이터 처리 방식 자체가 달라질 수 있다.

한국 독자에게 미치는 영향 또는 알아둘 점

한국도 다누리(KPLO)를 통해 달 관측자료를 축적하고 있고, 향후 달 탐사와 우주산업 확대를 추진하고 있다. 이런 오픈소스 모델은 국내 연구자나 대학, 스타트업이 대규모 모델을 처음부터 만들지 않고도 달 관측자료 분석 기술을 시험할 수 있는 기반이 될 수 있다.

다만 이번 발표를 ‘AI가 달의 얼음을 정확히 찾아냈다’고 받아들이면 과장이다. 현재 단계에서 AI는 기존 관측자료를 더 효율적으로 해석하고 탐사 우선순위를 정하는 도구다. 실제 자원의 존재와 양, 채굴 가능성은 현장 탐사와 추가 측정이 필요하다. 이번 이슈의 핵심은 AI가 과학적 결론을 대신 내린다는 데 있지 않고, 수십 년치 복합 관측자료를 연구자가 더 빠르게 활용할 수 있도록 공통 분석 기반을 제공했다는 데 있다.

참고 출처

대표 이미지: NASA / Unsplash. 본문에서 설명한 AI 분석 결과 화면이 아니라 달 표면의 크레이터 지형을 보여주는 자료 이미지입니다.