NASA und IBM haben ein lunares Foundation-Modell als Open Source veröffentlicht, das mit 17 Jahren Orbiter-Daten trainiert wurde

Siebzehn Jahre der Mondbeobachtung hatten mehr Daten hervorgebracht als alle anderen NASA-Planetenmissionen zusammengenommen. Die schwierigere Aufgabe war, sie für maschinelles Lernen nutzbar zu machen.

Am 5. Oktober veröffentlichten NASA und IBM Research, gemeinsam mit mehreren akademischen Einrichtungen, das NASA-IBM Lunar Foundation Model. Das Modell ist Open Source, auf Hugging Face veröffentlicht, mit Code auf GitHub, und in das Open-Source-Toolkit TerraTorch integriert. Die Pretraining-Datensätze und Benchmark-Sammlungen wurden mitveröffentlicht.

Das Modell reduziert den Fehler bei der Vorhersage polarer Eisablagerungen um bis zu 22 Prozent im Vergleich zur besten Baseline, SwinV2-B, und verbessert die grobskalige Kratererkennung um fast 19 Prozent, während es nur die Hälfte der gelabelten Daten verwendet.

Warum ein Foundation-Modell statt eines aufgabenspezifischen Modells

Die Mondwissenschaft hat ein merkwürdiges Datenproblem. Beobachtungen gibt es reichlich. Labels sind knapp. Ein Modell für Kratererkennung in einem Maßstab, ein weiteres für Eisstabilität und noch eines für Oberflächensegmentierung zu bauen, bedeutet jedes Mal, von Grund auf neu zu beginnen, auf kleinen gelabelten Datensätzen, ohne eine gemeinsame Repräsentation darunter.

Ein Foundation-Modell kehrt das um. Es wird auf großen Mengen unbeschrifteter Daten vortrainiert und passt sich dann mit nur wenigen gelabelten Beispielen an eine bestimmte Aufgabe an. Kevin Murphy, Chief Science Data Officer der NASA, fasste die Veröffentlichung genau so zusammen: Die NASA habe Jahrzehnte damit verbracht, eine wissenschaftliche Aufzeichnung des Mondes aufzubauen, und das Sammeln von Daten sei nur ein Teil der Arbeit. Der Rest bestehe darin, es Wissenschaftlern leichter zu machen, sie zu nutzen.

Der Trainingskorpus ist SomBench, beschrieben als der größte ko-registrierte multimodale Monddatensatz, der bisher zusammengestellt wurde: fast zwei Millionen Kachel-Bündel über elf Modalitäten und zwei räumliche Maßstäbe. Etwa eine Million hochauflösende Bilder stammen von der Narrow Angle Camera mit ungefähr einem Meter pro Pixel. Fast 964.000 multispektrale Bilder stammen von der Wide Angle Camera mit 100 Metern pro Pixel. Der Großteil geht auf den Lunar Reconnaissance Orbiter zurück, ergänzt durch Daten von GRAIL, Lunar Prospector und der JAXA-Sonde Kaguya. Mehr als 30 räumlich ausgerichtete Datenschichten von neun Instrumenten aus vier Missionen.

Die Designentscheidung, die den Großteil der Arbeit leistete

Die Architektur adaptiert TerraMind, ein multimodales Erdbeobachtungsmodell, aber das Team trainierte die Mondversion von Grund auf, statt ein bestehendes Modell feinabzustimmen. Der Mond hat keine Atmosphäre und kein Wetter, daher erweisen sich von einem Erdmodell übernommene Annahmen als schlimmer als nutzlos: aktiv irreführend. Auf dem Mond ist, wie etwas aussieht, weitgehend eine Funktion davon, wie es beleuchtet wird.

Diese Beobachtung führte zur zweiten zentralen Entscheidung. Das Modell erhält die Bildgebungsgeometrie als expliziten Kontext für jede Kachel: Beleuchtungswinkel, Sonnenposition, Kachelausdehnung. Statt die Beleuchtung aus den Rohpixeln abzuleiten, wird sie ihm mitgeteilt. Eine der aussagekräftigsten Erkenntnisse ist, dass ein architektonisch identisches Kontrollmodell mit zufälliger Initialisierung bei der Eisvorhersage dennoch wettbewerbsfähig abschnitt, was die Forscher als Hinweis darauf werteten, dass die Datenbehandlungsmethode selbst einen großen Teil des Gewinns ausmachte.

FlexiViT übernimmt die Variation der Patch-Größen und ermöglicht es dem trainierten Modell, sich an Aufgaben in unterschiedlichen Bildmaßstäben anzupassen, ohne neu trainiert zu werden.

Benchmarks und die von den Autoren benannten Grenzen

Das Team testete das Modell bei der Kratererkennung in Maßstäben von 100 Metern und 1 Meter, bei der Vorhersage polarer Eisablagerungen und bei der Segmentierung unregelmäßiger Mare-Patches. Das vortrainierte Modell erreichte oder übertraf gängige Baselines und die Kontrolle mit zufälliger Initialisierung. Bei der Eisvorhersage waren die Zugewinne am größten.

Der technische Bericht sagt explizit, was das Modell nicht kann. Es eignet sich nicht für absolute geodätische Positionierung. In Generationstests wichen Längen- und Breitengrade in einigen Fällen um Dutzende Grad ab, und Höhenstrukturen erschienen mit verschobenen absoluten Höhenwerten, selbst wenn die Formrekonstruktion korrekt war. Juan Bernabé-Moreno von IBM Research Europe beschrieb das Modell als wiederverwendbare Grundlage für nachgelagerte Mondforschung und nicht als Ersatz für physikalische Messungen.

Diese Unterscheidung zieht sich durch die gesamte Veröffentlichung. Das Modell beschleunigt die Analyse: Es schätzt ab, wo Wassereis in permanent beschatteten Regionen stabil bleiben könnte, kartiert Krater zur Schätzung des Oberflächenalters und markiert unregelmäßige Mare-Patches für vulkanologische Studien. Es bestätigt nicht, dass ausbeutbare Ressourcen existieren, und garantiert nicht, dass ein Ort sicher für eine Landung ist.

Was es nicht kann

Der Abschnitt zu den Einschränkungen im Bericht selbst ist es wert, sorgfältig gelesen zu werden, denn er definiert die Grenze zwischen einem Forschungswerkzeug und einem Messinstrument. Das Modell ist nicht für absolute geodätische Positionierung geeignet: In Generationstests wichen Längen- und Breitengrade in einigen Fällen um Dutzende Grad ab, und Höhenstrukturen erschienen mit verschobenen absoluten Höhenwerten, selbst wenn die rekonstruierten Formen korrekt waren.

In die Praxis übersetzt heißt das: Das Modell ist nützlich, um Merkmale zu finden und zu charakterisieren, und unzuverlässig, wenn es darum geht, mit hoher Präzision genau anzugeben, wo sie sich befinden. Ein Missionsplaner könnte es nutzen, um Kandidatenregionen für polares Eis einzugrenzen, und dann mit gezielten Messungen bestätigen. Ein Team, das seine Ausgabe als vermessungsgenaue Koordinaten behandeln würde, würde es zweckentfremden.

Die Autoren rahmen die Veröffentlichung genauso ein: als wiederverwendbare Grundlage für nachgelagerte Forschung, nicht als Ersatz für physikalische Messung. Diese Ehrlichkeit zum Umfang macht die Veröffentlichung nutzbar, denn sie sagt nachgelagerten Teams, welchen Aufgaben sie dem Modell vertrauen können und welche sie weiterhin auf die harte Tour erledigen sollten.

Warum die Anpassung des Erdmodells wichtig ist

TerraMind wurde für Erdbeobachtung entwickelt, wo Bilder von Atmosphäre, Vegetationszyklen und menschlicher Aktivität geprägt sind. Seine Architektur zu übernehmen und dennoch von Grund auf zu trainieren, ist ein bewusster Mittelweg. Das Team behielt, was generalisiert – die Maschinerie zur Verarbeitung multimodaler, räumlich ausgerichteter Daten – und verwarf, was nicht generalisiert: jede Annahme darüber, wie eine Oberfläche aussehen sollte.

Die Entscheidung, die Beleuchtung als Eingabe zu verwenden, zeigt, warum diese Unterscheidung wichtig ist. Auf der Erde trägt ein Satellitenbild genug visuelle Redundanz, dass ein Modell die Beleuchtung oft aus Textur und Schatten ableiten kann. Auf dem Mond ist die Oberfläche weitgehend gleichförmig, und der Schatten ist das Signal. Dem Modell Sonnenwinkel und Beleuchtungsgeometrie direkt zu übergeben, statt es sie rekonstruieren zu lassen, ermöglichte es ihm, seine Kapazität für die wissenschaftlichen Aufgaben einzusetzen, statt die Physik neu herzuleiten, die ihm bereits gegeben wurde.

Das ist ein Muster, das sich übertragen lässt. Jede Domäne, in der eine physikalische Messung leicht zu berechnen, aber für ein Modell teuer abzuleiten ist, ist ein Kandidat für explizite Konditionierung: Tiefe aus Stereo, Atmosphärenkorrektur, Sensorkalibrierung. Der Mond machte den Fall zufällig besonders sauber, weil er so wenige Störvariablen hat.

Was eine offene Veröffentlichung hier bedeutet

Ein Modell und seine Datensätze als Open Source zu veröffentlichen, verändert, wer teilnehmen kann. Forschungsteams außerhalb von NASA und IBM können die veröffentlichten Ergebnisse reproduzieren, das Modell auf ihre eigenen Probleme feinabstimmen und Anwendungen für zukünftige Missionen entwickeln, ohne über Datenzugang verhandeln zu müssen. Wenn gelabelte Monddaten teuer herzustellen sind, ist ein vortrainiertes Modell, das nur wenige Beispiele braucht, der Unterschied zwischen einer Studie, die stattfindet, und einer, die nicht stattfindet.

Die Veröffentlichung ist auch eine Vorlage. Der Mond wurde durch ein Modell erschlossen, das für eine bestimmte Art von Bildern gebaut wurde, gespeist mit der Physik, die bestimmt, wie diese Bilder aussehen, und trainiert auf Daten, die siebzehn Jahre lang in Archiven gelegen hatten und darauf warteten, verarbeitet zu werden. Dasselbe Muster gilt für jede Domäne mit reichlich unbeschrifteten Beobachtungen und knappen Labels – also für den größten Teil der wissenschaftlichen Fernerkundung.