NASA-IBM Lunar Foundation Model öffnet 17 Jahre Monddaten

Die NASA und IBM Research haben ein quelloffenes KI-Modell zur Erforschung des Mondes veröffentlicht. Das NASA-IBM Lunar Foundation Model entstand gemeinsam mit mehreren akademischen Einrichtungen. Nach Angaben der beiden Organisationen ist es eines der ersten offenen Basismodelle für die Mondforschung. Am besten schneidet es bei der Vorhersage von Eisvorkommen an den Polen und bei der Erkennung von Kratern ab.

Kevin Murphy, Chief Science Data Officer der NASA, brachte das Problem auf den Punkt. Die NASA habe über Jahrzehnte einen gewaltigen wissenschaftlichen Datenbestand über den Mond aufgebaut, sagte er. Das Sammeln der Daten sei aber nur die halbe Arbeit. Forschende müssten sie auch nutzen können.

Warum ein Basismodell

Aufgabenspezifische Algorithmen werden für genau eine Aufgabe trainiert. Ein Basismodell wird dagegen mit großen Mengen nicht annotierter Daten vortrainiert und lässt sich anschließend mit nur wenigen annotierten Beispielen an neue Aufgaben anpassen. In der Mondforschung gibt es reichlich Beobachtungsdaten, aber kaum Annotationen. Genau darin sieht das Team den größten Vorteil des Ansatzes.

Die Trainingsdaten

Das Modell wurde von Grund auf mit SomBench trainiert, nach Angaben des Teams dem bislang größten koregistrierten multimodalen Mond-Datensatz. Er umfasst fast 2 Millionen Kachelpakete mit 11 Modalitäten in zwei räumlichen Maßstäben:

• Rund 1 Million hochaufgelöste Bilder der Narrow Angle Camera (NAC) mit etwa 1 Meter pro Pixel
• Knapp 964.000 multispektrale Bilder der Wide Angle Camera mit 100 Metern pro Pixel

Der Großteil der Daten stammt aus 17 Jahren Beobachtungen des Lunar Reconnaissance Orbiter (LRO) der NASA. Laut NASA übertrifft das Datenvolumen des LRO das aller anderen Planetenmissionen der Behörde zusammen. Das Team ergänzte Schwerefelddaten von GRAIL, Wasserstoffdaten von Lunar Prospector und Mineralogiedaten von Kaguya/SELENE, einer Sonde der japanischen Raumfahrtagentur JAXA.

Das Ergebnis sind mehr als 30 räumlich aufeinander abgestimmte Datenebenen von neun Instrumenten und vier Missionen. Damit keine Testdaten ins Training gelangen, wurde der Datensatz geografisch nach Kartenzonen aufgeteilt, statt einzelne Kacheln zufällig zu mischen.

Das Modell kennt das Licht

Die Architektur basiert auf TerraMind, einem multimodalen Modell für die Erdbeobachtung. Die Mondversion wurde allerdings von Grund auf trainiert und nicht nur feinabgestimmt. Eine Designentscheidung sticht heraus. Auf dem Mond beeinflusst die Beleuchtungsgeometrie das Aussehen der Oberfläche stärker als deren tatsächliche Eigenschaften. Statt das Modell dies aus den rohen Pixeln ableiten zu lassen, gibt das Team ihm deshalb Beleuchtungswinkel, Sonnenstand und Kachelausdehnung ausdrücklich als Eingabe mit.

Außerdem lernt das Modell in einem einzigen Trainingsdurchlauf aus fein- und grobaufgelösten Bildern. Ein Verfahren namens FlexiViT erlaubt es, dass dasselbe trainierte Modell unterschiedliche Bildausschnittgrößen ohne erneutes Training verarbeitet.

Wo es punktet und wo nicht

Das Team testete das Modell bei der Kratererkennung im 100-Meter- und im 1-Meter-Maßstab, bei der Vorhersage von Poleis und bei der Segmentierung von Irregular Mare Patches (IMPs). Das sind junge vulkanische Strukturen, die gängige Zeitabläufe zur Abkühlung des Mondes infrage stellen. Laut dem technischen Bericht erreichte oder übertraf das vortrainierte Modell bei jeder Aufgabe gängige Vergleichsmodelle sowie ein baugleiches, zufällig initialisiertes Kontrollmodell.

Den größten Fortschritt gab es bei der Eisvorhersage. Dauerhaft im Schatten liegende Polarregionen können Wassereis über Milliarden Jahre konservieren und gelten als mögliche Quelle für Wasser, Sauerstoff und Raketentreibstoff. IBM zufolge senkte das Modell den Vorhersagefehler um bis zu 22 Prozent gegenüber dem besten Vergleichsmodell, SwinV2-B. Bei der groben Kratererkennung schlug es SwinV2-B um fast 19 Prozent, obwohl es nur mit der Hälfte der Daten trainiert wurde.

An anderer Stelle ist das Bild weniger eindeutig. Selbst das untrainierte Kontrollmodell schlug bei der Eisvorhersage fünf von sieben Vergleichsmodellen. Die Forschenden führen das teilweise auf die Architektur zurück: Jede Datenebene erhält einen eigenen Verarbeitungspfad, während die Vergleichsmodelle alle Eingaben als Kanäle übereinanderlegen. Bei Kratern im Metermaßstab und bei IMPs liegen die Ergebnisse etwa gleichauf mit den stärksten Vergleichsmodellen, innerhalb der Schwankungen zwischen einzelnen Durchläufen. IBM beansprucht bei den IMPs einen Vorsprung von 3 Prozent, doch die Zahlen wirken eher vergleichbar als klar besser.

LoRA, eine schlankere Feinabstimmungsmethode, die nur einen Bruchteil der Parameter trainiert, hielt mit der vollständigen Feinabstimmung mit und schnitt bei der Kratererkennung sogar besser ab.

Bekannte Grenzen

Für eine absolute geodätische Positionsbestimmung eignet sich das Modell nicht. In Generierungstests lagen Breiten- und Längengrad teils um Dutzende Grad daneben, und Höhen konnten verschoben erscheinen, selbst wenn die Formen stimmten. Die Autoren sehen das Modell als Grundlage für nachgelagerte Aufgaben, nicht als Ersatz für physikalische Instrumente. Kontrollierte Experimente, die jede Designentscheidung einzeln untersuchen, stehen noch aus, und einige Testdatensätze sind klein.

Juan Bernabé-Moreno, Direktor von IBM Research Europe, sagte, das Modell verknüpfe Beobachtungen verschiedener Instrumente und mache Muster sichtbar, die isoliert betrachtet schwer zu erkennen seien.

Das Modell steht auf Hugging Face bereit, der Code auf GitHub, und es ist in das quelloffene Toolkit TerraTorch integriert. Auch die Datensätze für das Vortraining und die Benchmarks sind öffentlich.

Unsere Einschätzung

Die Veröffentlichung passt in ein beständiges Muster. NASA und IBM arbeiten seit Anfang 2022 im Rahmen eines Space Act Agreement an Basismodellen, beginnend mit dem Erdbeobachtungsmodell Prithvi im Jahr 2023. AlphaEarth Foundations von Google DeepMind verfolgt eine ähnliche Idee für die Erde. Zudem reiht sich das Projekt in andere Bemühungen ein, KI zu einem praktischen Forschungswerkzeug für Wissenschaftler zu machen, und in das wachsende Interesse an KI und Raumfahrt.

Die ehrliche Darstellung der Grenzen ist hilfreich. Das stärkste Ergebnis, die Eisvorhersage, scheint teilweise auf die Architektur zurückzugehen und nicht allein auf das Vortraining. Das deutet darauf hin, dass die Lehren aus dem Design ebenso wichtig sein könnten wie die Gewichte. Es lohnt sich zu beobachten, ob die angekündigten Ablationsstudien bestätigen, welche Bestandteile die Verbesserungen tatsächlich bewirken, und ob externe Mondforscher das Modell für die echte Missionsplanung übernehmen.