IBM und NASA veröffentlichen ein Foundation-Model für den Mond als Open Source

NASA und IBM haben am 10. September das NASA‑IBM Lunar Foundation Model veröffentlicht, ein quelloffenes KI-System, das darauf trainiert ist, die Mondoberfläche in einem Maßstab zu erfassen, den kein einzelnes Instrument bewältigt hat. Das Modell ist ab sofort auf Hugging Face verfügbar; die Codebasis liegt unter der Apache-2.0-Lizenz auf GitHub, zusammen mit einem begleitenden Paper.

Zum Weiterlesen: ESA baut eigenes Radar für die Venus-Mission EnVision, während sich die NASA zurückzieht · NASA fragt die Industrie, ob kommerzielle Raumschiffe Hubble anheben oder außer Dienst stellen könnten.

Es ist eines der ersten öffentlich verfügbaren Foundation-Modelle, die speziell für die Mondwissenschaft entwickelt wurden, und reiht sich in die bestehende Prithvi-Familie offener Modelle von IBM und NASA für Erdbeobachtung, Wetter und Heliophysik ein, dasselbe Vorgehen, angewandt auf eine andere Welt: Statt für jede wissenschaftliche Frage einen eigenen Algorithmus zu bauen, starten Forschende von einem gemeinsamen Modell und passen es an.

Ein Modell, viele Instrumente

Der Mond wird seit Jahrzehnten kartiert, von US-amerikanischen und japanischen Missionen, in vielen Wellenlängen und Auflösungen. Was fehlte, war eine Möglichkeit, all das in einer einzigen Repräsentation zusammenzuführen. Das NASA‑IBM-Modell integriert als erstes Beobachtungen über Modalitäten, Blickwinkel und räumliche Maßstäbe hinweg und führt über Jahrzehnte gesammelte Daten zusammen.

Laut IBM und NASA übertrifft das Modell gängige Methoden um bis zu 23 % bei der Identifizierung wichtiger geografischer Merkmale der Mondoberfläche, darunter mögliche Eisvorkommen, Krater und vulkanische Formationen. Dieses Eis ist entscheidend: Wasser-Eis zu lokalisieren ist zentral für Pläne einer dauerhaften menschlichen Präsenz auf dem Mond, sowohl als Ressource als auch als wissenschaftliches Ziel.

Die Trainingsdaten stammten überwiegend vom Lunar Reconnaissance Orbiter der NASA. Technisch ist das Modell multimodal und multiresolutional, mit einem ViT‑B-Encoder und einem 12-schichtigen Decoder, vortrainiert auf 16 H100-GPUs über rund 1.100 GPU-Stunden. IBM und NASA zufolge wurde es mit leichtgewichtigen LoRA-Adaptern feinabgestimmt, die 90 % der Gewichte des Basismodells einfroren, ein bewusst leichter Eingriff, der traditionelle Machine-Learning-Modelle dennoch erreichte oder übertraf.

Die Veröffentlichung ist in das quelloffene TerraTorch-Toolkit integriert und umfasst Pre-Training-Datensätze und Benchmark-Sammlungen, damit Forschende Ergebnisse reproduzieren und darauf aufbauen können.

Open Science in der Praxis

Die Zusammenarbeit brachte das Impact-AI-Team der NASA am Marshall Space Flight Center, Wissenschaftler der Planetary Science Division der Behörde sowie Forschende am Goddard und Ames Center mit IBM Research und akademischen Partnern zusammen. Das Ergebnis ist weniger als fertiges Produkt denn als gemeinsamer Ausgangspunkt gedacht. Das Problem, das es adressiert, ist nicht ein Mangel an Daten, sondern ein Mangel an Wegen, sie zu durchsuchen: zu viel Material, zu wenige Menschen, die es von Hand sichten können. Ein gemeinsames Foundation-Modell gibt jedem Wissenschaftler dieselbe starke Linse.

Der Zeitpunkt ist kein Zufall. Die NASA bereitet sich nach dem bemannten Mondvorbeiflug in diesem Frühjahr auf weitere Artemis-Missionen vor und rahmt das Modell als Teil eines breiteren Bestrebens, Rohdaten in eine Ressource für die Mondforschung zu verwandeln. Modell und Datensätze sind kostenlos herunterladbar, die Suche nach dem Wasser des Mondes, sicheren Landestellen und seiner geologischen Geschichte hängt damit nicht mehr davon ab, wer sich das Training eines Modells leisten kann, sondern nur davon, wer eine Frage hat, die es wert ist, gestellt zu werden.