IBM und die NASA haben das NASA-IBM Lunar Foundation Model als Open Source veröffentlicht. Es ist eines der ersten öffentlich verfügbaren Basismodelle für die wissenschaftliche Erforschung des Mondes. Die Gewichtungen, ein technischer Bericht und der für maschinelles Lernen geeignete Datensatz, mit dem das Modell trainiert wurde, sind auf Hugging Face unter der Prithvi-Familie verfügbar, die bereits Erdbeobachtung, Wetter und Heliophysik abdeckt. Der Vorteil des Modells liegt darin, dass die jahrzehntelang gesammelten Monddaten verschiedener Instrumente die Möglichkeiten manuell gesichteter Karten und eng gefasster, aufgabenspezifischer Modelle überstiegen haben. Ein einziges vortrainiertes Basismodell kann für die Kraterkartierung, die Erkennung vulkanischer Strukturen und die Eisprospektion angepasst werden, ohne dass jedes Mal von vorne begonnen werden muss. In den Benchmarks von IBM und der NASA reduzierte das Modell den mittleren quadratischen Fehler bei der Kennzeichnung potenzieller Eisvorkommen um bis zu 22 % im Vergleich zu einem SwinV2-B-Baseline-Modell.
Ein TerraMind-Backbone auf 30 Ebenen von neun Instrumenten
Das Modell basiert auf einer Version von TerraMind, dem Erdbeobachtungsmodell, das IBM gemeinsam mit der Europäischen Weltraumorganisation (ESA) entwickelt hat. Es wurde aufgrund seiner Fähigkeit ausgewählt, gemischte Datentypen und Auflösungen zu verarbeiten und modalitätsübergreifende Korrelationen zu lernen, die fehlende oder verrauschte Werte ergänzen können. Die Feinabstimmung für jede Mondmission erfolgt mithilfe von Low-Rank-Adaptern, die 90 % der Basisgewichte fixieren, wodurch die Anpassungskosten gering bleiben. Der Trainingskorpus ist das, was laut NASA zuvor fehlte: ein einheitlicher, räumlich ausgerichteter Datensatz mit über 30 Ebenen aus neun Instrumenten und vier Missionen. Er umfasst etwa zwei Millionen Bildkacheln, darunter mehr als eine Million 1-Meter-Kamerabilder und fast 964,000 Multispektralbilder mit einer Auflösung von 100 Metern. Zu den Quellen gehören Bilder des Lunar Reconnaissance Orbiter (LRO) der NASA, Gravitationsfeldkarten der GRAIL-Mission mit 20 Kilometern pro Pixel, Daten des Lunar Prospector sowie ergänzende Beobachtungen der japanischen Raumfahrtmission SELENE/Kaguya. Die Referenzkollektion mit dem Namen SOMBench wird zusammen mit dem Modell ausgeliefert.
Eis, vulkanische Flecken und Krater in zwei Maßstäben
Die 22 % stammen aus der Eis-Aufgabe. Hierbei kombiniert das Modell multimodale Beobachtungen mit unterschiedlichen Auflösungen, um vorherzusagen, wo sich Eis unter der Oberfläche permanent beschatteter Regionen befinden könnte – jenen Gebieten, in denen eine zukünftige Mondbasis Wasser, Sauerstoff und Raketentreibstoff abbauen würde. Für die vulkanische Geschichte kartiert es unregelmäßige Mare-Gebiete mit einer um 3 % besseren Abdeckung als SwinV2-B, obwohl es mit unvollständigen Daten trainiert wurde. IBM bezeichnet dies als vergleichbare Genauigkeit bei geringerem Aufwand für die Feinabstimmung. Die Kratererkennung unterscheidet sich je nach Maßstab: Bei einer Auflösung im Meterbereich entspricht das Modell SwinV2-B, während es bei einer Kontextauflösung von etwa 100 Metern mit der Hälfte der Trainingsdaten um fast 19 % besser abschneidet. Michael Barker, der NASA-Experte für Mondtopografie, der das Projekt mitgeleitet hat, erklärte, der Nutzen liege in den Merkmalen, deren Alter noch immer umstritten ist: „Das Alter dieser Merkmale ist weiterhin Gegenstand intensiver Debatten. Je besser wir ihre Verteilung und Eigenschaften verstehen, desto größer ist unsere Chance, dieses Rätsel zu lösen.“
„Die NASA hat jahrzehntelang eine außergewöhnliche wissenschaftliche Dokumentation des Mondes aufgebaut, doch die Datenerfassung ist nur ein Teil der Aufgabe. Wir müssen die Daten auch so aufbereiten, dass Wissenschaftler sie leichter analysieren und nutzen können“, sagte Kevin Murphy, Chief Science Data Officer und amtierender Chief Data and AI Officer am NASA-Hauptsitz. Juan Bernabe-Moreno, Direktor von IBM Research Europe, Großbritannien und Irland, erklärte, das Modell „bietet Wissenschaftlern eine Grundlage für die umfassende Erforschung des Mondes, indem es Beobachtungen verschiedener Instrumente miteinander verknüpft, Muster aufdeckt, die isoliert betrachtet schwer erkennbar sind, und eine offene Plattform bereitstellt, auf der die globale Forschungsgemeinschaft aufbauen kann.“
Alles ist jetzt unter einer Open-Source-Lizenz verfügbar, und IBMs Forschungsblog beschreibt die drei ersten Anwendungsfälle der NASA detaillierter. Es handelt sich um dieselbe Open-Source-Strategie, die IBM bereits im Unternehmensbereich mit Granite 4.0 erfolgreich eingesetzt hat , hier jedoch im wissenschaftlichen Kontext angewendet. Die knappe Ressource sind annotierte Daten und die Rechenleistung, um diese optimal zu verarbeiten. Die unmittelbaren Nutzer sind die Gefahrenanalyse von Landeplätzen und die Ressourcensuche für eine dauerhafte Mondpräsenz.
Amazon