NASA und IBM stellen offenes Fundamentmodell für Mondforschung bereit

NASA und IBM haben am 10. September 2026 das NASA-IBM Lunar Foundation Model als Open Source veröffentlicht, ein KI-Modell zur Auswertung von Mondbeobachtungen. Laut NASA liegt es öffentlich auf der Modellplattform Hugging Face, der vollständige Code auf GitHub.

Viele Daten, mühsame Auswertung

An Beobachtungen vom Mond mangelt es nicht. Das Problem ist die Auswertung: Laut IBM sichten Forschende Karten und Bilder bisher oft von Hand oder greifen auf niedrig aufgelöste Modelle zurück, die jeweils nur eine einzige Aufgabe beherrschen. Das neue Modell soll markante Merkmale der Oberfläche erkennen, darunter potenzielle Eisvorkommen, Krater und vulkanische Formationen.

Kevin Murphy, Chief Science Data Officer der NASA, beschreibt den Anlass so: Daten zu sammeln sei nur ein Teil der Arbeit. Forschende müssten sie auch leichter erkunden und nutzen können.

Fast zwei Millionen Kacheln aus dem Mondorbit

Hinter dem Projekt steht das Prinzip eines Fundamentmodells. Es wird zuerst auf großen Mengen unbeschrifteter Daten vortrainiert und lässt sich danach mit wenigen gelabelten Beispielen, also von Fachleuten markierten Bildern, auf eine konkrete Aufgabe spezialisieren. Für den Mond passt das. Beobachtungsdaten gibt es reichlich, Labels kaum.

Die Trainingsbasis stammt vor allem vom Lunar Reconnaissance Orbiter (LRO), einer NASA-Sonde, die den Mond seit 17 Jahren aus der Umlaufbahn beobachtet. Laut NASA umfasst sie rund zwei Millionen Bildkacheln: mehr als eine Million hochauflösende Kamerabilder mit einem Meter Auflösung und knapp 964.000 multispektrale Aufnahmen mit 100 Metern Auflösung. Hinzu kommen Daten der NASA-Missionen GRAIL und Lunar Prospector sowie der japanischen Sonde Kaguya/SELENE. IBM spricht von mehr als 30 räumlich aufeinander abgestimmten Datenschichten aus neun Instrumenten und vier Missionen, nach Darstellung von The Decoder trägt der Korpus den Namen SomBench.

Ergebnisse bei der Eissuche

Die auffälligste Zahl betrifft Eis in den dauerhaft beschatteten Polregionen, das als mögliche Quelle für Wasser, Sauerstoff und Raketentreibstoff gilt. Laut IBM liegt der Vorhersagefehler, gemessen als RMSE, um bis zu 22 Prozent unter dem des Bildmodells SwinV2-B in der ImageNet-Variante. Bei der Kratererkennung im Maßstab von rund 100 Metern nennt IBM knapp 19 Prozent Vorsprung, erzielt mit der Hälfte der Trainingsdaten.

Das klingt deutlich. Die Details relativieren es.

Nach den von The Decoder zusammengefassten Ergebnissen des technischen Berichts schlug schon eine zufällig initialisierte Kontrollvariante ohne Mond-Vortraining fünf von sieben Vergleichsmodellen bei der Eisvorhersage. Ein Teil des Vorsprungs geht demnach auf die Architektur zurück, die jede Datenschicht getrennt verarbeitet. Bei den jungen vulkanischen Strukturen, den sogenannten Irregular Mare Patches, liegen die Resultate laut The Decoder eher gleichauf als klar vorn.

Grenzen des Modells

Laut The Decoder eignet sich das Modell nach den Forschungsergebnissen nicht für eine absolute Positionsbestimmung. In Generierungstests lagen Längen- und Breitengrade teils um Dutzende Grad daneben. Kontrollierte Experimente zum Beitrag einzelner Neuerungen stehen noch aus, und einige Testdatensätze sind klein.

Der offene Zugang wiegt damit schwerer als jede einzelne Benchmark-Zahl. Ob das Modell bei einer bestimmten Forschungsfrage wirklich hilft, zeigt erst ein Vergleich auf genau dieser Aufgabe, mit passenden gelabelten Beispielen und einer etablierten Methode als Messlatte.