Die NASA und die IBM haben ein offenes KI-Grundmodell vorgestellt – das NASA-IBM Lunar Foundation Model, das zur Analyse der Mondoberfläche entwickelt wurde. Das System ist Teil des Ökosystems „AI for Science“, das von beiden Institutionen gemeinsam entwickelt wird, und wurde in das offene Werkzeug TerraTorch integriert. Zur gleichen Reihe gehören die Modellfamilie Prithvi zur Überwachung von Naturkatastrophen und Ernteerträgen auf der Erde sowie das Modell Surya, das Sonnenflares und Weltraumwetter vorhersagt. Die Universalität des Grundmodells ermöglicht es Planetologen, es mit nur wenigen beschrifteten Daten für verschiedene Aufgaben anzupassen.

Umfang der Trainingsdaten

Das Modell wurde überwiegend auf Petabytes an Daten des Orbiters Lunar Reconnaissance Orbiter (LRO) trainiert, die über 17 Jahre hinweg gesammelt wurden. Insgesamt hat die KI etwa zwei Millionen Bilder verarbeitet: mehr als eine Million hochauflösender Aufnahmen mit einer Auflösung von einem Meter und knapp 964.000 multispektrale Bilder. Zusätzlich wurden Daten der Missionen GRAIL, Lunar Prospector und der japanischen Sonde SELENE in den Trainingsdatensatz aufgenommen, wodurch verschiedene Typen von Beobachtungen der Mondoberfläche abgedeckt wurden.

Technische Herausforderungen beim Training

Das Training des Systems erwies sich als deutlich schwieriger als bei ähnlichen Modellen, die mit Erd-Daten arbeiten. Aufgrund des Fehlens einer Atmosphäre sind die Schatten auf dem Mond extrem scharf und vollständig schwarz, ohne jegliche Information, und aufgrund der ständig wechselnden Sonnenbeleuchtung sieht dasselbe Objekt in verschiedenen Aufnahmen unterschiedlich aus. Die traditionelle Trainingsmethode, bei der der Algorithmus die verborgenen 90 Prozent eines Bildes auf Basis der sichtbaren 10 Prozent rekonstruiert, schlug fehl: Die meisten Krater sehen aus der Umlaufbahn nahezu identisch aus, und das Modell konnte keine Unterschiede finden. Die Wissenschaftler fanden eine Lösung, indem sie den Mond nach dem Prinzip der „Orangenteilung“ in einzelne Sektoren aufteilten und die Trainingssektoren vollständig von den Testsektoren trennten, was einen Informationsleck zwischen den Datensätzen ausschloss.

Ergebnisse und Genauigkeit

Bei der Aufgabe der Suche nach Wassereis modelliert die KI die Stabilität von Eis an der Oberfläche und darunter in dauerhaft beschatteten polaren Regionen und reduzierte die Fehlerquote um 23 Prozent im Vergleich zum visuellen System SwinV2-B von Microsoft. Bei der Kartierung von Kratern war der Algorithmus 19 Prozent genauer als dasselbe SwinV2-B und verwendete dabei nur die Hälfte des Trainingsdatenvolumens. Das Modell identifizierte erfolgreich einen neuen Krater durch den Aufprall einer SpaceX-Falcon-9-Rakete am 5. August und trennte ihn von einer bestehenden Formation ab. Ein weiteres Forschungsfeld ist der Mondvulkanismus: Das System beschleunigt die Suche nach seltenen jungen vulkanischen Formationen, was zum besseren Verständnis der thermischen Evolution und Abkühlungsgeschichte des Mondes beiträgt.

Bedeutung für zukünftige Missionen

Das vorgestellte Mondmodell reproduziert Wahrscheinlichkeitskarten zur Verteilung von Mondereis in der Nähe der Pole und eröffnet Möglichkeiten für die Planung zukünftiger Weltraummissionen, bei denen präzise Daten über Ressourcen und Gelände von entscheidender Bedeutung sind. Der offene Charakter des Werkzeugs und seine Integration in TerraTorch machen das System für eine breite Forschungscommunity zugänglich, und die hohe Genauigkeit bei geringeren Mengen beschrifteter Daten verkürzt die Zeit und senkt die Kosten für die Anpassung von Modellen an spezifische wissenschaftliche Aufgaben.