IBM und die NASA stellen mit dem NASA-IBM Lunar Foundation Model eines der ersten öffentlich verfügbaren Foundation Models für die Mondforschung bereit. Das KI-Modell verarbeitet unterschiedliche Beobachtungsdaten und soll bislang schwer erkennbare Zusammenhänge sichtbar machen. Einsatzfelder reichen von der Suche nach möglichen Eisvorkommen über die Analyse vulkanischer Strukturen bis zur Kratererkennung. Ergänzend entsteht ein einheitlicher Open-Source-Datensatz für Machine Learning.

IBM und die NASA haben das NASA-IBM Lunar Foundation Model als Open-Source-Modell veröffentlicht. Trainiert wurde es mit umfangreichen Mondbeobachtungsdaten. Ziel ist es, Forschenden eine gemeinsame KI-Grundlage bereitzustellen, mit der sich Daten unterschiedlicher Instrumente und Auflösungen auswerten und für verschiedene wissenschaftliche Fragestellungen weiterverwenden lassen.

Die Grundlage dafür bilden jahrzehntelange Beobachtungen des Mondes. Sensoren und wissenschaftliche Instrumente haben dabei Datenmengen im Petabyte-Bereich erzeugt. Ihre Auswertung ist jedoch aufwendig: Karten und Bilder müssen teilweise manuell untersucht oder mit aufgabenspezifischen Machine-Learning-Modellen analysiert werden. Das Foundation Model soll stattdessen unterschiedliche Datentypen und Auflösungsstufen miteinander verknüpfen und darin Zusammenhänge erkennen.

Ein möglicher Anwendungsbereich ist die Untersuchung permanent im Schatten liegender Regionen. Dort könnte sich Eis unterhalb der Mondoberfläche befinden. Das Modell kombiniert multimodale Beobachtungsdaten in unterschiedlichen Auflösungen, um Flächen mit einem möglichen Eisvorkommen zu identifizieren. Nach Angaben von IBM und NASA reduziert es dabei den RMSE-Fehler gegenüber dem SwinV2-B-Modell (ImageNet) um 22 Prozent.

Von Vulkanformationen bis zur Kratererkennung

Ein weiteres Einsatzgebiet ist die Erforschung sogenannter „Irregular Mare Patches“. Anhand dieser vulkanischen Merkmale untersuchen Wissenschaftler:innen die vulkanische Geschichte und thermale Entwicklung des Mondes. Unter Nutzung von „imperfect labels“ erfasst das Lunar Foundation Model laut Pressemitteilung das Ausmaß solcher Merkmale um drei Prozent besser als SwinV2-B und soll zugleich den Aufwand beim Fine-Tuning reduzieren.

Auch bei der Erkennung von Kratern kommt das Modell zum Einsatz. Krater liefern Hinweise auf das Alter verschiedener Geländeformen sowie auf geologische Merkmale des Mondes. Gleichzeitig ist ihre Kartierung für die Auswahl von Landeplätzen und die Planung langfristiger Infrastruktur relevant. Das Modell kann Krater mit einer Auflösung im Meterbereich identifizieren, kontextualisieren und klassifizieren. Bei einer Context-Scale-Resolution von rund 100 Metern übertrifft es SwinV2-B den Angaben zufolge um etwa 19 Prozent und benötigt dafür nur halb so viele Trainingsdaten.

Die Verbindung unterschiedlicher Datenquellen ist dabei ein wesentlicher Bestandteil des Ansatzes. Juan Bernabe-Moreno, Director of IBM Research Europe, UK and Ireland, erklärt:

„Um die Rätsel rund um den Mond zu lösen, braucht man die Fähigkeit, von einer enorm großen Menge an wissenschaftlichen Daten zu lernen.“

Weiter führt er aus:

„Das NASA-IBM Lunar Foundation Model stellt Wissenschaftler:innen eine offene Plattform als Grundlage zur Verfügung, um den Mond umfassend zu erforschen, indem Beobachtungen von verschiedenen Instrumenten verbunden, und Muster, die isoliert betrachtet schwer erkennbar wären, zum Vorschein gebracht werden.“

Einheitlicher Datensatz für Machine Learning

Parallel zum Modell bereiten IBM und NASA einen Open-Source-Datensatz für die Mondforschung auf. Dieser soll mehr als 30 räumlich abgestimmte Datenschichten aus neun Instrumenten und vier Missionen in einer für Machine Learning nutzbaren Struktur zusammenführen.

Enthalten sind zehntausende Bilder und Karten. Dazu zählen Daten des Lunar Reconnaissance Orbiter und der GRAIL-Mission der NASA sowie ergänzende Daten der SELENE/Kaguya-Mission der Japanese Aerospace Exploration Agency. Damit sollen Informationen zur Oberfläche und zum Untergrund des Mondes gemeinsam für Machine-Learning-Anwendungen verfügbar werden.

Teil einer Familie offener Foundation Models

Das Lunar Foundation Model erweitert die bestehende Zusammenarbeit zwischen IBM und NASA. Es wird Bestandteil der Prithvi-Familie offener Foundation Models, die nach Angaben der Unternehmen bereits Anwendungsfelder wie Geodaten, Wetter und Heliophysik umfasst.

Der Ansatz zielt darauf, nicht für jede wissenschaftliche Fragestellung ein separates algorithmisches System von Grund auf entwickeln zu müssen. Stattdessen können Forschende auf einem gemeinsamen vortrainierten Modell aufsetzen und dieses für konkrete Aufgaben anpassen. Mit der Open-Source-Veröffentlichung soll diese Grundlage auch der breiteren Wissenschaftsgemeinschaft zur Verfügung stehen.

Weitere Informationen finden Sie unter www.ibm.com.