Neues Foundation Model von NASA und IBM soll Wassereis-Suche auf dem Mond beschleunigen

Das NASA-IBM Lunar Foundation Model soll Jahrzehnte an Mond-Beobachtungsdaten für maschinelles Lernen nutzbar machen. Besonders gut ist es darin, Eisvorkommen an den Polen vorherzusagen und Krater zu erkennen. 

"NASA hat über Jahrzehnte einen außergewöhnlichen wissenschaftlichen Datenbestand über den Mond aufgebaut, aber das Sammeln von Daten ist nur ein Teil der Aufgabe", sagt Kevin Murphy, Chief Science Data Officer. Man müsse die Daten für Wissenschaftler leichter nutzbar machen. Dafür haben NASA und IBM Research gemeinsam mit mehreren akademischen Einrichtungen das NASA-IBM Lunar Foundation Model vorgestellt, nach Angaben der beiden Organisationen eines der ersten Open-Source-Foundation-Modelle speziell für die Mondwissenschaft.

Anders als klassische, aufgabenspezifische Algorithmen wird ein Foundation Model auf großen, ungelabelten Datenmengen vortrainiert. Das so erworbene Wissen lässt sich anschließend mit wenigen gelabelten Beispielen auf konkrete Aufgaben anpassen. Darin sieht das Team den Nutzen für die Mondforschung, wo Beobachtungsdaten reichlich, aber Labels knapp sind.

Fast zwei Millionen Kachel-Bündel aus 17 Jahren Beobachtung

Das Team trainierte das Modell von Grund auf mit SomBench, dem nach eigenen Angaben bislang größten ko-registrierten multimodalen Mond-Korpus. Er umfasst knapp zwei Millionen Kachel-Bündel und deckt elf Modalitäten über zwei räumliche Skalen ab. Rund eine Million hochauflösende Bilder stammen von der Narrow Angle Camera (NAC) mit etwa einem Meter pro Pixel, knapp 964.000 multispektrale Aufnahmen von der Wide Angle Camera mit 100 Metern pro Pixel.

Den Grundstock lieferten 17 Jahre Beobachtungen des Lunar Reconnaissance Orbiter (LRO), dessen Datenmenge laut NASA größer ist als die aller anderen NASA-Planetenmissionen zusammen. Ergänzend flossen Daten der Missionen GRAIL (Schwerefeld), Lunar Prospector (Wasserstoff) sowie der JAXA-Sonde Kaguya/SELENE (Mineralogie) ein.

Insgesamt vereint der Datensatz über 30 räumlich ausgerichtete Datenlagen aus neun Instrumenten und vier Missionen. Um Datenlecks zwischen Trainings-, Validierungs- und Testdaten zu vermeiden, wird der Korpus geografisch nach Kartenzonen aufgeteilt, statt einzelne Kacheln zufällig zu verteilen.

Aufnahmegeometrie als expliziter Input

Als Ausgangspunkt diente TerraMind, ein multimodales Modell aus der Erdbeobachtung, das die Forschenden allerdings nicht feinjustierten, sondern von Grund auf neu trainierten.

Neu ist, dass die Aufnahmegeometrie jeder Kachel dem Modell als expliziter Kontext übergeben wird. Dazu gehören Beleuchtungswinkel, Sonnenposition und Kachelausschnitt. Auf dem Mond bestimmt die Beleuchtungsgeometrie das Erscheinungsbild der Oberfläche stärker als die tatsächliche Beschaffenheit. Statt das Modell diese Störgröße aus den Pixeln herausrechnen zu lassen, wird sie ihm direkt mitgeteilt.

Zudem lernt das Modell hochauflösende und grobe Aufnahmen gemeinsam in einem einzigen Trainingsdurchlauf. So erfasst es sowohl feine Details als auch den großräumigen Zusammenhang. Ein Verfahren namens FlexiViT sorgt dafür, dass sich dasselbe fertig trainierte Modell flexibel an Aufgaben mit unterschiedlich großen Bildausschnitten anpassen lässt, ohne jedes Mal neu trainiert werden zu müssen.

Eisvorhersage als stärkster Anwendungsfall

Das Team evaluierte das Modell an Kraterdetektion bei 100 Metern und bei einem Meter, an der Segmentierung sogenannter Irregular Mare Patches sowie an der Vorhersage von Eisvorkommen an den Polen.

In allen Fällen erreichte oder übertraf das vortrainierte Modell laut dem Technical Report sowohl gängige Vergleichsmodelle als auch ein architekturgleiches Kontrollmodell mit zufälliger Initialisierung.

Am deutlichsten fiel der Vorsprung bei der Vorhersage von Eisvorkommen aus. Permanent verschattete Regionen an den Polen bleiben kalt genug, um Wassereis über Milliarden Jahre zu konservieren, und gelten als mögliche Ressource für Wasser, Sauerstoff und Raketentreibstoff. Hier reduzierte das Modell den Fehler bei der Vorhersage laut IBM um bis zu 22 Prozent gegenüber dem besten Vergleichsmodell SwinV2-B.

Bei der Kraterdetektion auf grober Skala übertraf das Modell SwinV2-B nach IBM-Angaben um knapp 19 Prozent. Der Wert bezieht sich allerdings auf ein Training mit nur der Hälfte der Daten, was darauf hindeutet, dass das Modell mit weniger gelabelten Beispielen auskommt.

Ein Teil des Vorteils kommt aus der Architektur

Auch die Architektur selbst trägt zum Vorsprung bei. Bei der Eisvorhersage schlug bereits das zufällig initialisierte Kontrollmodell fünf der sieben Vergleichsmodelle, obwohl es kein Mond-Training durchlaufen hatte.

Laut den Forschenden stammt ein Teil des Vorteils aus der Art, wie das Modell die verschiedenen Datentypen verarbeitet. Es weist jeder Datenlage einen eigenen Verarbeitungspfad zu, während die Vergleichsmodelle alle Eingaben als gestapelte Kanäle behandeln.

Auf der Meterskala der Kraterdetektion und bei der Segmentierung der Vulkanformen liegt das Modell etwa gleichauf mit den stärksten Vergleichsmodellen. Die Unterschiede bewegen sich innerhalb der Streuung zwischen verschiedenen Trainingsläufen. Bei den Irregular Mare Patches, jungen Vulkanformen, die etablierte Zeitpläne der Mondabkühlung infrage stellen, gibt IBM zwar einen Vorsprung von drei Prozent gegenüber SwinV2-B an. Auch hier sind die Ergebnisse aber eher vergleichbar als klar überlegen.

Die ressourcensparsame Anpassungsmethode LoRA kann laut den Forschern durchgängig mit vollem Fine-Tuning mithalten und schneidet bei der Kraterdetektion sogar besser ab, obwohl nur ein Bruchteil der Parameter trainiert wird. Volles Fine-Tuning behält lediglich bei den beiden kleinsten Aufgaben die Oberhand.

Teil einer wachsenden Modellfamilie

Juan Bernabé-Moreno, Direktor von IBM Research Europe, erklärte, das Modell verbinde Beobachtungen über verschiedene Instrumente hinweg und lege Muster offen, die isoliert schwer zu erkennen seien.

Für eine absolute geodätische Verortung ist das Modell allerdings nicht geeignet: In Generierungstests lagen Breiten- und Längengrade teils um Dutzende Grad daneben. Höhenstrukturen wurden zwar oft in ihrer Form rekonstruiert, konnten aber mit verschobenem absolutem Höhenwert erscheinen.

Die Autoren verstehen es daher als wiederverwendbare Grundlage für nachgelagerte Aufgaben, nicht als Ersatz für ein physikalisches Messinstrument. Kontrollierte Experimente, die den Beitrag der einzelnen Neuerungen isolieren, stehen zudem noch aus, und einige der verwendeten Testdatensätze sind klein.

Das Modell ist öffentlich auf Hugging Face verfügbar, der Code liegt auf GitHub, und das Modell ist in das Open-Source-Toolkit TerraTorch integriert. Neben dem Modell veröffentlichten die Beteiligten auch die ML-fertigen Pretraining-Datensätze und Benchmark-Sammlungen.

Das Modell ist Teil der Zusammenarbeit von NASA und IBM unter dem Titel "AI for Science". Beide Organisationen arbeiten seit Anfang 2022 im Rahmen eines Space-Act-Vertrags an Foundation-Modellen. Im August 2023 veröffentlichten sie das erste Prithvi-Modell auf Hugging Face, trainiert auf Landsat- und Sentinel-2-Aufnahmen des gesamten US-Festlands und angepasst für die Kartierung von Überschwemmungen und Waldbränden.

IBM hatte das Modell zuvor als Teil seiner Plattform Watsonx angekündigt. Die Basis des Mondmodells, TerraMind, hatte IBM 2025 gemeinsam mit der ESA und dem Forschungszentrum Jülich für die Erdbeobachtung entwickelt. Google Deepmind verfolgt mit AlphaEarth Foundations einen verwandten Ansatz und verdichtet optische Satellitenbilder, Radar, Laserscans und Klimasimulationen zu kompakten Embeddings der Erdoberfläche.