Das Open-Source-Mondmodell von NASA und IBM verwandelt 17 Jahre Orbiterdaten in eine Grundlage für die Mondwissenschaft
decoder ·
NASA und IBM haben das NASA-IBM Lunar Foundation Model veröffentlicht, ein Open-Source-KI-Tool, das darauf ausgelegt ist, jahrzehntelange Daten zur Beobachtung des Mondes für maschinelles Lernen zugänglich zu machen. Das Modell wurde von Grund auf mit fast zwei Millionen Kachelbündeln trainiert, die 17 Jahre an Daten von Missionen wie LRO und GRAIL abdecken. Es adressiert den Mangel an gelabelten Daten in der Mondwissenschaft, indem es große Mengen ungelabelter Eingaben nutzt. Eine Schlüsselinnovation ist die explizite Einbeziehung der Lichtgeometrie als Eingabe, was dem Modell hilft, Oberflächenmerkmale und Beleuchtungseffekte effektiver zu unterscheiden als frühere Methoden. Das Modell zeigt signifikante Verbesserungen bei der Vorhersage von polaren Eisablagerungen und reduziert den Vorhersagefehler im Vergleich zu Basismodellen um bis zu 22 Prozent. Es performs auch wettbewerbsfähig bei der Kraterdetektion in verschiedenen Maßstäben und segmentiert Irregular Mare Patches, ersetzt jedoch keine physikalischen Messinstrumente für präzise geodätische Positionierungen. Durch die Zuweisung separater Verarbeitungspfade für verschiedene Datenebenen und den Einsatz von Techniken wie FlexiViT passt sich das Modell an unterschiedliche Bildpatch-Größen an, ohne neu trainiert werden zu müssen. Diese Veröffentlichung markiert einen Meilenstein in der Zusammenarbeit zwischen NASA und IBM im Rahmen ihres Space Act Agreement, nach früheren Erdbeobachtungsmodellen wie Prithvi. Das Modell, der Code und die Datensätze sind öffentlich über Hugging Face, GitHub und die TerraTorch-Toolkit verfügbar.
decoder