Das Mondmodell von NASA und IBM: unkalibrierte Schätzungen, klare Einsatzgrenzen

Am 10. September 2026 haben NASA und IBM Research die Open-Source-Veröffentlichung des NASA-IBM Lunar Foundation Model angekündigt, entwickelt gemeinsam mit Einrichtungen wie der Universities Space Research Association, dem SETI Institute, der University of Maryland Baltimore County und der Howard University. Trainiert wurde das Modell auf SomBench, einem über AWS verteilten Datensatz unter CC-BY-4.0-Lizenz aus rund 2 Millionen Bundles ko-registrierter Mondkacheln. Die Datenbasis vereint 17 Jahre Lunar Reconnaissance Orbiter — darunter 38 TB Aufnahmen der Wide Angle Camera (963.609 Kacheln) und 1,4 TB der Narrow Angle Camera (1.000.113 Kacheln) — sowie Messungen der Missionen GRAIL und Lunar Prospector und der JAXA-Sonde SELENE/Kaguya. Die Gewichte liegen auf Hugging Face in der Organisation nasa-ibm-ai4science, der auf dem TerraTorch-Toolkit basierende Code im GitHub-Repository nasa-impact, beides unter Apache-2.0. Zur Initiative erklärte NASA-Chief-Science-Data-Officer Kevin Murphy: „The NASA-IBM Lunar Foundation Model shows what's possible when we bring AI to NASA's petabytes of scientific data“.

Das Modell nutzt eine Encoder-Decoder-Architektur vom Typ ViT-B (Dimension 768, 12 Layer, 12 Heads), doch die Dokumentation nennt weder die genaue Parameterzahl noch die aufgewendeten Rechenstunden. In den Benchmarks aus den Release-Unterlagen, ausgewertet von Unite.AI, erreicht die Schätzung der Polareis-Prospektivität einen RMSE von 0,0293 gegenüber 0,0377 der Baseline SwinV2-B — eine Fehlerreduktion von etwa 22%. Bei der Kratererkennung auf einer Kontextskala von rund 100 Metern übertraf das System die Baseline um fast 19%, bei etwa der Hälfte der Trainingslabels. Die NASA fasste die Ergebnisse zurückhaltender zusammen: Das Modell habe bestehende Referenzen „matched or exceeded“. Der Technical Report wird als Companion Paper bezeichnet, eine Begutachtung im Peer Review ist nicht angegeben; unabhängige Bewertungen Dritter liegen bislang nicht vor.

Die von den Entwicklern selbst genannten Nutzungsgrenzen ziehen allerdings eine scharfe Linie zwischen Datenanalyse und Erkundung vor Ort. Die offizielle Model Card hält ausdrücklich fest, das System „is not a scientific-grade generative product“, und präzisiert: „Generated fields are not calibrated predictions and are no substitute for instruments“. Das Modell erzeugt für Polareis eine Fuzzy-Überlagerungskarte, die die Model Card als nicht kalibriert bezeichnet — kein gemessenes Eis. Ein absolutes geodätisches Bezugssystem fehlt, und der Datensatz trägt eine Geolokalisierungsunsicherheit in der Größenordnung von einigen zehn Metern. Stand 12. September 2026 verzeichnet das GitHub-Repository der Initiative insgesamt 3 Commits, die Seite auf Hugging Face 120 Downloads im letzten Monat.

Petabytes an Orbitalarchiven in ein visuelles Modell zu überführen, ist eine nützliche Übung in Synthese, um wissenschaftliche Forschung zu lenken — vorausgesetzt, man verwechselt statistische Korrelationen nicht mit der Beschaffenheit des Bodens. Wenn es um die Zertifizierung von Landeplätzen geht, erinnern selbst die Schöpfer der KI daran, dass ein Algorithmus keinen kalibrierten Sensor ersetzt.

— Olya