NASA und IBM veröffentlichen offenes KI-Modell für die Mondforschung

NASA und IBM haben ein quelloffenes KI-Modell für die Mondforschung veröffentlicht. Es erschließt umfangreiche Beobachtungsdaten für unterschiedliche wissenschaftliche Aufgaben. Besonders bei der Vorhersage polarer Eisvorkommen verbessert es nach Anbieterangaben die Genauigkeit gegenüber Vergleichsmodellen.

Das NASA-IBM Lunar Foundation Model entstand gemeinsam mit mehreren akademischen Einrichtungen, berichtete The Decoder am 4. Oktober 2026. Ein solches Grundlagenmodell lernt zunächst aus großen Datenmengen ohne vorgegebene Kennzeichnungen. Anschließend lässt es sich mit wenigen gekennzeichneten Beispielen auf einzelne Aufgaben anpassen. Nach Einschätzung des Teams hilft dieser Ansatz der Mondforschung: Dort stehen vielen Beobachtungsdaten nur wenige Kennzeichnungen gegenüber.

17 Jahre Beobachtungen als Datengrundlage

Das Team trainierte das Modell mit SomBench, einer Sammlung räumlich aufeinander abgestimmter Monddaten unterschiedlicher Datentypen. Sie umfasst knapp 2 Millionen Pakete aus Kartenausschnitten, also Darstellungen begrenzter Bereiche der Mondoberfläche, mit unterschiedlichen Datentypen. Der Großteil stammt von der US-Mondsonde Lunar Reconnaissance Orbiter. Hinzu kommen Messungen des Schwerefelds von der Mondmission GRAIL, Wasserstoffdaten von der Mondmission Lunar Prospector und mineralogische Daten der Mondsonde Kaguya/SELENE der japanischen Raumfahrtagentur JAXA. Insgesamt vereint die Sammlung mehr als 30 Datenebenen, also räumlich zugeordnete Darstellungen verschiedener Messgrößen, aus neun Instrumenten und vier Missionen.

Als technische Grundlage dient TerraMind, ein Modell für unterschiedliche Erdbeobachtungsdaten. Die Forscher trainierten das Mondmodell jedoch von Grund auf neu. Neben Bildern und Höhendaten erhält es Angaben zu Beleuchtungswinkeln, Sonnenstand und Ausdehnung der Kartenausschnitte. Damit muss es die Beleuchtungsbedingungen nicht allein aus Bildpunkten erschließen. Die Aufteilung in Lern-, Validierungs- und Testdaten folgt geografischen Kartenbereichen, damit sich diese Datensätze nicht überschneiden. Validierungsdaten dienen dazu, das Modell während des Trainings zu überprüfen.

Weniger Fehler bei polaren Eisvorkommen

Bei der Vorhersage von Eisvorkommen sank der Fehler laut IBM gegenüber dem besten Vergleichsmodell, dem auf gewöhnlichen Fotos vortrainierten Bilderkennungsmodell SwinV2-B, um bis zu 22 Prozent. Bei der Kratererkennung auf grob aufgelösten Bildern erreichte der Vorsprung knapp 19 Prozent, bei nur halb so vielen Lerndaten. Bei metergenauer Kratererkennung und der Abgrenzung junger vulkanischer Formationen lagen die Ergebnisse dagegen ungefähr gleichauf mit den stärksten Vergleichsmodellen. Unterschiede blieben innerhalb der Schwankungen zwischen Trainingsdurchläufen.

Für absolute Positionsbestimmungen eignet sich das NASA-IBM-Modell laut der bei The Decoder beschriebenen Forschungsarbeit nicht. Bei Versuchen zur Datenerzeugung wichen Breiten- und Längengrade teilweise um Dutzende Grad ab. Die Autoren verstehen es als wiederverwendbare Grundlage für Folgeaufgaben, nicht als Ersatz für physische Messinstrumente. Das Modell ist auf der Plattform Hugging Face für KI-Modelle verfügbar, der Programmcode auf der Entwicklerplattform GitHub. Es ist zudem in TerraTorch integriert, ein quelloffenes Softwarewerkzeug. Das Team veröffentlichte auch die aufbereiteten Lerndaten und Vergleichsdatensätze.