NASA und IBM gaben am Mittwoch die Open-Source-Veröffentlichung des NASA-IBM Lunar Foundation Model bekannt, eines KI-Modells, das Wissenschaftlern dabei helfen soll, Erkenntnisse aus jahrzehntelangen Mondbeobachtungen zu gewinnen – eines der ersten öffentlich zugänglichen Fundamentmodelle, die für die wissenschaftliche Erforschung des Mondes entwickelt wurden. Das Modell ist ab sofort verfügbar. Computer Weekly berichtet, dass es bei Hugging Face heruntergeladen werden kann.

Die Veröffentlichung zielt auf ein Problem ab, das Planetenforschern bekannt ist: zu viele Daten, zu wenige Stunden am Tag. Seit Jahrzehnten beobachten Sensoren und Instrumente kontinuierlich den Mond und generieren dabei Petabytes an Informationen. Um die Oberfläche zu untersuchen, mussten Wissenschaftler Karten und Bilder von Hand durchsuchen oder sich auf aufgabenspezifische Modelle des maschinellen Lernens mit niedriger Auflösung verlassen – Ansätze, die IBM als rechenintensiv beschreibt und denen oft die Genauigkeit fehlt, die zur Identifizierung und Analyse geografischer Merkmale erforderlich ist. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Branchenberichterstattung.

Eis, Krater und alte Vulkane finden

Das Modell ist darauf trainiert, verborgene Beziehungen über viele verschiedene Arten und Auflösungen von Monddaten hinweg aufzudecken. In der Ankündigung von IBM werden drei Flaggschiffanwendungen vorgestellt.

Potenzielle Eisablagerungen. Dauerhaft beschattete Regionen in der Nähe der Mondpole gehören zu den Orten auf dem Mond, die am schwersten zu beobachten sind. Dennoch können sie unter der Oberfläche Eis enthalten – eine Ressource, die für eine zukünftige Mondbasis und die Produktion von Raketentreibstoff für Missionen zum Mars als wesentlich angesehen wird. In einem vom NASA-IBM-Team verfassten Fachartikel reduzierte das Modell den Fehler (RMSE) bei der Identifizierung von Gebieten mit hohem Potenzial für Mondeis um bis zu 22 Prozent im Vergleich zum weit verbreiteten Vision-Modell SwinV2-B (ImageNet). Kratererkennung. Krater geben Hinweise auf das Alter des Geländes, die Mondgeologie und die chemische Zusammensetzung des frühen Mondinneren. Ihre Kartierung hilft der NASA, sichere Landeplätze auszuwählen und Gefahren wie steile Hänge und Felsbrocken zu vermeiden. Das Modell kann Krater mit einer Auflösung im Metermaßstab identifizieren und klassifizieren, mit einer Genauigkeit, die mit modernsten Modellen vergleichbar ist, und bietet gleichzeitig eine höhere Effizienz und geringere Feinabstimmungskosten, sagte IBM. Bei einer Auflösung von etwa 100 Metern übertrifft es SwinV2-B um fast 19 Prozent und nutzt nur die Hälfte der Trainingsdaten. Vulkanische Geschichte. Das Modell verfolgt auch unregelmäßige Mare Patches – rätselhafte vulkanische Strukturen, die Wissenschaftlern helfen, die thermische Entwicklung des Mondes zu verstehen. Selbst wenn es mit unvollständigen Etiketten gefüttert wird, erfasst es laut Ankündigung das Ausmaß dieser Funktionen um 3 Prozent besser als die SwinV2-B-Basislinie.

Insgesamt übertrifft das Modell laut IBM weit verbreitete Methoden um bis zu 23 Prozent bei der Identifizierung wichtiger geografischer Merkmale auf der Mondoberfläche.

Der erste einheitliche offene Monddatensatz

Neben dem Modell erstellten IBM- und NASA-Wissenschaftler das, was die Unternehmen als den ersten Open-Source-Monddatensatz seiner Art bezeichnen: eine einheitliche, für maschinelles Lernen geeignete Sammlung, die mehr als 30 räumlich ausgerichtete Schichten von neun Instrumenten aus vier Missionen zusammenfasst. Es kombiniert Zehntausende Bilder und Karten, die die geophysikalischen Eigenschaften der Mondoberfläche erfassen, und stützt sich dabei unter anderem auf die NASA-Missionen Lunar Reconnaissance Orbiter (LRO) und GRAIL. Die Fachzeitschrift Unite.ai hat den zugehörigen Benchmark-Datensatz als SomBench bezeichnet.

Der Datensatz ist genauso wichtig wie das Modell. IBM stellte fest, dass bisher kein öffentlich verfügbarer Datensatz die multimodalen Beobachtungen des Mondes mit mehreren Auflösungen in einen gemeinsamen Rahmen gebracht hat, der für modernes maschinelles Lernen geeignet ist – was bedeutet, dass jede Forschungsgruppe, die Deep Learning auf die Mondwissenschaft anwenden möchte, zunächst Monate mit Datentechnik zu bewältigen hatte.

Was NASA und IBM sagen

„Die NASA hat Jahrzehnte damit verbracht, eine außergewöhnliche wissenschaftliche Aufzeichnung des Mondes zu erstellen, aber das Sammeln von Daten ist nur ein Teil ihrer Aufgabe“, sagte Kevin Murphy, Chief Science Data Officer und amtierender Chief Data and AI Officer im NASA-Hauptquartier. „Wir müssen es den Wissenschaftlern auch einfacher machen, Daten zu erforschen und zu nutzen. Das NASA-IBM Lunar Foundation Model zeigt, was möglich ist, wenn wir KI in die Petabytes an wissenschaftlichen Daten der NASA integrieren.“

„Um die Geheimnisse des Mondes aufzudecken, muss man in der Lage sein, aus einer außergewöhnlichen Menge wissenschaftlicher Daten zu lernen“, sagte Juan Bernabe-Moreno, Direktor von IBM Research Europe, UK and Ireland. „Das NASA-IBM Lunar Foundation Model bietet Wissenschaftlern eine Grundlage für die Erforschung des Mondes im großen Maßstab, indem es Beobachtungen verschiedener Instrumente miteinander verbindet, Muster aufdeckt, die isoliert schwer zu erkennen sind, und eine offene Plattform bietet, auf der die globale Forschungsgemeinschaft aufbauen kann.“

Warum Open Source hier wichtig ist

Der Open-Source-Rahmen ist bewusst. Durch die Veröffentlichung der Gewichte laden NASA und IBM Labore, Universitäten und Raumfahrtagenturen weltweit ein, das Modell für ihre eigenen Fragestellungen zu verfeinern – von der Auswahl des Landeplatzes für bemannte Missionen bis hin zu grundlegenden Studien zur Entwicklung der Mondoberfläche. Lower fine-tuning costs, IBM said, make that practical even for small teams.

Da mehrere Raumfahrtprogramme auf eine dauerhafte menschliche Präsenz auf dem Mond hinarbeiten, stehen erhebliche Ressourcen auf dem Spiel: Wassereis erfordert Sauerstoff zum Atmen und Wasserstoff-Sauerstoff-Treibstoff zum Betanken von Raketen für die Reise zum Mars. Die Kartierung, wo sich das Eis befindet und wo die Oberfläche sicher landen kann, ist Grundlagenarbeit – und es ist genau die Art von Mustererkennungsproblem, bei der sich Grundlagenmodelle als gut erwiesen haben.

Die Veröffentlichung signalisiert auch einen breiteren Trend in der KI für die Wissenschaft: Anstatt Chatbots hinterherzujagen, zielen öffentliche Forschungseinrichtungen zunehmend auf Grundlagenmodelltechniken auf den Berg unanalysierter wissenschaftlicher Daten, die ihre Instrumente gesammelt haben. The Moon, it turns out, is a good place to start.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →