Die US-Raumfahrtbehörde NASA und der Technologiekonzern IBM haben das Lunar Foundation Model veröffentlicht, eines der ersten Open-Source KI-Modelle für die Mondforschung. Das Modell wurde mit fast zwei Millionen Datensätzen trainiert, die hauptsächlich aus 17 Jahren Beobachtungen des Lunar Reconnaissance Orbiters (LRO) stammen. Es reduziert den Fehler bei der Vorhersage von polaren Eisablagerungen und verbessert die Kratererkennung.
Ein Foundation Model für die Mondforschung
Im Gegensatz zu auf spezifische Aufgaben zugeschnittenen Algorithmen ist ein Foundation Model, auch Basislmodell genannt, auf großen Mengen unmarkierter Daten vorab trainiert. Es kann anschließend mit wenigen markierten Beispielen an spezifische Aufgaben angepasst werden. Dies ist laut den Entwicklern ein wesentlicher Vorteil für die Mondforschung, da Beobachtungsdaten zwar reichlich vorhanden, aber markierte Beispiele selten sind. Das Modell macht Jahrzehnte von Mondbeobachtungsdaten für maschinelles Lernen nutzbar.
Kevin Murphy, NASA Chief Science Data Officer, betont, dass das Sammeln von Daten nur ein Teil der Aufgabe sei; die Daten müssten auch für Wissenschaftler einfacher zu nutzen sein.
Umfangreiche Trainingsdatenbasis
Das Team trainierte das Modell von Grund auf mit „SomBench“, dem laut eigenen Angaben größten koregistrierten multimodalen Mondkorpus. Dieser enthält fast zwei Millionen Datenpakete aus elf Modalitäten und zwei räumlichen Skalen. Etwa eine Million hochauflösende Bilder stammen von der Narrow Angle Camera (NAC) mit einer Auflösung von etwa einem Meter pro Pixel, während knapp 964.000 multispektrale Bilder von der Wide Angle Camera mit 100 Metern pro Pixel stammen.
Der Großteil der Daten stammt aus 17 Jahren Beobachtungen des Lunar Reconnaissance Orbiters (LRO), dessen Datenvolumen laut NASA das aller anderen planetaren NASA-Missionen zusammen übertrifft. Daten der GRAIL-Mission (Schwerefeld), des Lunar Prospector (Wasserstoff) und der JAXA-Sonde Kaguya/SELENE (Mineralogie) ergänzten die Sammlung. Insgesamt vereint der Datensatz über 30 räumlich ausgerichtete Datenschichten von neun Instrumenten und vier Missionen.
Verbesserte Vorhersagen bei Eis und Kratern
Das Team testete das Modell unter anderem bei der Kratererkennung in 100-Meter- und 1-Meter-Skalen sowie bei der Vorhersage von polaren Eisablagerungen. Die größten Fortschritte wurden bei der Vorhersage von Eisablagerungen erzielt. In permanent beschatteten Polarregionen kann Wassereis Milliarden von Jahren erhalten bleiben und wird als potenzielle Ressource für Wasser, Sauerstoff und Raketentreibstoff betrachtet. Das Modell reduzierte den Vorhersagefehler um bis zu 22 Prozent im Vergleich zur besten Baselinie, SwinV2-B.
Für die Kratererkennung im groben Maßstab übertraf das Modell SwinV2-B um fast 19 Prozent. Dies deutet darauf hin, dass das Modell weniger markierte Beispiele benötigt, um gute Leistungen zu erbringen. Bei der Kratererkennung im Meterbereich und der Segmentierung von Irregular Mare Patches (IMPs) – jungen vulkanischen Merkmalen – erreichte das Modell ähnliche Ergebnisse wie die stärksten Baselines.
Architektur und Verfügbarkeit
Das Modell basiert auf TerraMind, einem multimodalen Erdbeobachtungsmodell, wurde jedoch von Grund auf neu trainiert. Es erhält die Bildgebungsgeometrie als expliziten Kontext, einschließlich Beleuchtungswinkel und Sonnenposition. Eine Technik namens FlexiViT ermöglicht es dem trainierten Modell, sich an Aufgaben mit unterschiedlichen Bildausschnittgrößen anzupassen, ohne neu trainiert werden zu müssen.
Das Lunar Foundation Model ist öffentlich auf Hugging Face verfügbar, der Code auf GitHub und es ist in das Open-Source-Toolkit TerraTorch integriert. Die Forscher weisen darauf hin, dass das Modell nicht für die absolute geodätische Positionierung geeignet ist, da Breiten- und Längengrade in einigen Fällen um Dutzende von Grad abweichen können. Es ist als wiederverwendbare Grundlage für nachgelagerte Aufgaben gedacht und nicht als Ersatz für physikalische Messinstrumente.
Die Zusammenarbeit zwischen NASA und IBM im Rahmen von „AI for Science“ begann Anfang 2022. Im August 2023 veröffentlichten sie bereits das erste Prithvi-Modell, das auf Landsat- und Sentinel-2-Bildern der gesamten kontinentalen USA trainiert und für die Hochwasser- und Waldbrandkartierung angepasst wurde.
Thema: IBM. Quelle/Inspiration: The Decoder.