Universities Space Research Association (USRA) hat planetare Wissenschaftsexpertise zum kürzlich veröffentlichten NASA-IBM Lunar Foundation Model beigetragen, einem Open-Source-KI-Modell zur Analyse verschiedener Monddatensätze. Durch eine von NASA und IBM Research geführte Zusammenarbeit wurde das Modell mittels Som Bench vortrainiert, einem multimodalen Monddatensatz mit nahezu zwei Millionen ko-registrierten Datenbündeln, die 11 Modalitäten und zwei räumliche Skalen abdecken. Das Modell integriert Bilder, Topografie, Beleuchtungsgeometrie, thermophysikalische Eigenschaften, Mineralogie, Radar, Schwerkraft und andere geologische Daten.

Der Beitrag von USRA kam von Dr. Rachel Slank, Associate Scientist am Science and Technology Institute der USRA, die am Marshall Space Flight Center der NASA zugewiesen ist. Sie fungierte als Fachexpertin für Planetarwissenschaften, indem sie Mondwissenschaftsprioritäten mit Modellentscheidungen verband.

Das Modell wurde anhand von drei Benchmarks evaluiert: Kratererkennung auf regionaler und metrischer Skala, Segmentierung unregelmäßiger Mare-Flecken und Regression der Mondpolar-Eis-Perspektivität. In allen Benchmarks erreichte das vortrainierte Modell Ergebnisse, die denen von Modellen basierend auf ImageNet-Vortraining entsprachen oder diese übertrafen. Die Studie zeigte eine starke Label-Effizienz bei der Kratererkennung, was darauf hindeutet, dass Mondvortraining den Bedarf an aufgabenbezogen gelabelten Daten reduziert.

Durch die offene Veröffentlichung des vortrainierten Modells, des Feinabstimmungscodes und der Benchmark-Datensätze verfolgt das Team das Ziel, eine wiederverwendbare Grundlage für Mondforschungsanwendungen bereitzustellen. Som Bench unterstützt die standardisierte Evaluation von Mond-Maschinenlernanwendungen.

Wichtige Entitäten: Unternehmen: Universities Space Research Association (USRA), NASA, IBM Research | Personen: Dr. Rachel Slank | Orte: Washington, D.C., Marshall Space Flight Center