🤖 AI

MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications

Dit paper introduceert MOMO, het eerste multi-sensor foundation model voor Mars-remote sensing, dat door middel van modelmerging en een nieuwe Equal Validation Loss-strategie representaties van HiRISE, CTX en THEMIS integreert om superieure prestaties te behalen op diverse Mars-taken.

Oorspronkelijke auteurs: Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner

Gepubliceerd 2026-04-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

MOMO: De "Super-Hoofd" voor Mars

Stel je voor dat je een enorme bibliotheek hebt op de planeet Mars. Maar er is een probleem: de boeken zijn geschreven in drie totaal verschillende talen, met drie verschillende lettertypes en op drie verschillende papierformaten.

Boek 1 (HiRISE): Schrijft in heel kleine letters (zeer hoge resolutie), maar er zijn maar een paar pagina's. Je kunt hiermee een steen op de grond zien.
Boek 2 (CTX): Schrijft in iets grotere letters (gemiddelde resolutie) en heeft een heel dik boek (bijna de hele planeet bedekt). Je ziet hiermee de contouren van een krater.
Boek 3 (THEMIS): Schrijft in hele grote letters (lage resolutie), maar het is een warmte-kaart in plaats van een foto. Je ziet hiermee waar het heet of koud is, maar geen details.

Vroeger moesten wetenschappers voor elk boek een aparte vertaler (een computermodel) maken. Dat was duur, traag en inefficiënt.

MOMO is de oplossing. Het is de eerste "basismodel" (foundation model) voor Mars die al deze drie talen tegelijk begrijpt. Het is alsof we een super-intelligente vertaler hebben die niet alleen de woorden kent, maar ook de smaak en het gevoel van elke taal.

Hoe werkt het? De "Perfecte Samensmelting"

Het geheim van MOMO zit niet in het lezen van alle boeken tegelijk (dat zou te rommelig zijn), maar in een slimme truc die ze Model Merging noemen.

Eerst leren ze apart: De onderzoekers trainen drie aparte AI's. Eén leert alleen van de kleine letters (HiRISE), één van de grote letters (CTX) en één van de warmtekaarten (THEMIS).
Het timing-probleem: Stel je voor dat je drie studenten hebt die leren voor een examen. Student A is op dag 5 klaar, Student B op dag 10 en Student C op dag 3. Als je ze nu samenvoegt, werkt het niet goed. Je moet ze samenvoegen op het moment dat ze even ver zijn in hun leerproces.
De EVL-methode (De "Gelijkheids-Check"): Dit is de grootste innovatie van het artikel. De onderzoekers gebruiken een slimme meetlat genaamd Equal Validation Loss (EVL). Ze kijken niet naar de tijd, maar naar hoe goed de studenten presteren op een proefexamen. Ze zoeken het exacte moment waarop alle drie de studenten even goed presteren, ongeacht hoe lang ze daarvoor hebben geoefend.
De Samensmelting: Zodra ze op dat perfecte moment zijn, worden de hersenen van de drie studenten samengesmolten tot één super-brein. Dit heet "Task Arithmetic" (rekenen met taken). Het resultaat is een model dat beter is dan de som der delen.

Waarom is dit zo geweldig?

Eén model voor alles: In plaats van drie verschillende programma's te draaien, heb je nu één MOMO-model. Je kunt ermee zoeken naar een kleine steen (boulder) én een enorme aardverschuiving (landslide) in dezelfde foto.
Beter dan de aarde: Vaak gebruiken wetenschappers modellen die zijn getraind op foto's van de Aarde (zoals Google Maps of ImageNet). Maar Mars ziet er heel anders uit (rood stof, andere lucht, andere rotsen). MOMO is specifiek getraind op Mars-data en presteert daarom veel beter, vooral bij het tekenen van de randen van objecten (segmentatie).
Toekomstbestendig: Als er morgen een nieuwe satelliet met een nieuwe camera de planeet rondvliegt, hoeven ze het hele systeem niet opnieuw te bouwen. Ze trainen gewoon één nieuw modelletje voor die camera en "plakken" het met dezelfde EVL-methode aan MOMO.

De Resultaten in het Kort

De onderzoekers hebben MOMO getest op 9 verschillende taken, zoals het tellen van kraters, het vinden van ijs of het detecteren van stofstormen.

Conclusie: MOMO wint van bijna alles. Het is beter dan modellen die op Aarde-data zijn getraind, beter dan modellen die maar één camera kennen, en beter dan modellen die van nul worden getraind.
Speciale prestatie: Bij het vinden van kleine details (zoals losse stenen) is MOMO een echte winnaar. Het ziet dingen die de andere modellen over het hoofd zien.

Conclusie: De "Google Translate" voor de Rode Planeet

Kort samengevat: MOMO is de eerste AI die de complexe, diverse wereld van Mars echt begrijpt. Door slimme timing (de EVL-methode) en het samenvoegen van gespecialiseerde experts, hebben de onderzoekers een krachtig gereedschap gecreëerd dat wetenschappers helpt om de geschiedenis van Mars sneller en nauwkeuriger te lezen dan ooit tevoren.

Het is alsof we eindelijk een vertaler hebben die niet alleen de taal spreekt, maar ook de cultuur van Mars kent.

Titel: MOMO: Mars Orbital Model – Een Foundation Model voor Mars-remote sensing

1. Probleemstelling

Hoewel er in de afgelopen jaren meer dan 150 foundation models (FMs) zijn ontwikkeld voor aardobservatie (Earth Observation - EO), bestaat er tot nu toe geen specifiek foundation model voor remote sensing van de planeet Mars. Bestaande benaderingen voor Mars-gegevens hebben de volgende beperkingen:

Afhankelijkheid van ImageNet: Onderzoekers gebruiken vaak modellen die vooraf zijn getraind op ImageNet (natuurlijke beelden), wat suboptimaal is omdat Mars andere atmosferische omstandigheden, verlichting, oppervlaktematerialen en sensorkenmerken heeft.
Sensoren en Resoluties: Mars-observatie gebeurt via meerdere sensoren met zeer verschillende eigenschappen. Bijvoorbeeld:
- HiRISE: 0,25 m/pixel (hoogresolutie, maar slechts ~3% dekking).
- CTX: 5 m/pixel (brede dekking).
- THEMIS: 100 m/pixel (thermisch infrarood, globale dekking).
Data-integratie: Het direct samenvoegen van heterogene data van deze sensoren in één model is moeilijk vanwege de enorme verschillen in ruimtelijke resolutie en dekking. Bestaande EO-methoden die data "stapelen" of in één dataset mengen, vereisen vaak volledige hertraining bij het toevoegen van nieuwe sensoren en missen de nuance van specifieke sensorverdelingen.

2. Methodologie

De auteurs stellen MOMO (Mars Orbital Model) voor, het eerste foundation model voor Mars, dat gebruikmaakt van een unieke model-merging (modelsamenvoeging) strategie in plaats van directe data-integratie.

A. Onafhankelijke Pre-training
In plaats van één model te trainen op een gemengde dataset, worden drie aparte Masked Autoencoder (MAE) modellen getraind, elk specifiek voor één sensor (HiRISE, CTX, THEMIS).

Dataset: Een corpus van ongeveer 12 miljoen hoogwaardige samples, waarbij per sensor 4 miljoen samples zijn geselecteerd.
Stratified Sampling: De data is gebalanceerd op basis van geologische eenheden (GMoM) om geografische en geologische representativiteit te garanderen.
Kwaliteitsfiltering: Een geautomatiseerde pipeline verwijdert ruisige beelden op basis van SSIM (Structural Similarity Index) en ruis-schattingen.

B. Geavanceerde Loss-functie
Om de beperkingen van de standaard Mean Squared Error (MSE) loss te overwinnen (die vaak structurele details zoals kraterranden mist), wordt een aangepaste loss-functie gebruikt:
$L_{total} = \lambda_1 L_{MSE} + \lambda_2 L_{SSIM} + \lambda_3 L_{LPIPS} + \lambda_4 L_{grad}$
Deze combineert pixel-niveau fouten met perceptuele consistentie (LPIPS), structurele gelijkenis (SSIM) en een gradiënt-strafterm ( $L_{grad}$ ) om randen en vormen scherp te houden.

C. Equal Validation Loss (EVL) Strategie
Dit is de kerninnovatie van het paper. In plaats van modellen op hun laatste checkpoint te samenvoegen, selecteert de auteurs een optimale set checkpoints vóór de fusie:

Loss-alignement: Er worden checkpoints geselecteerd waarbij de validatie-loss van alle drie de sensoren onderling vergelijkbaar is (binnen een kleine tolerantie $\epsilon$ ). Dit zorgt ervoor dat de modellen op een vergelijkbaar stadium van convergentie worden samengevoegd.
Afstandsoptimalisatie: Van de loss-aligned tuples wordt de tuple gekozen die het dichtst bij de individuele "early-stopping" checkpoints ligt. Dit minimaliseert het risico op het samenvoegen van over- of onderfitte modellen.
Fusie: De geselecteerde checkpoints worden samengevoegd via Task Arithmetic (gewichtsomming), wat resulteert in één unified model.

3. Belangrijkste Bijdragen

Eerste Mars Foundation Model: MOMO is het eerste systematisch ontwikkelde foundation model specifiek voor Mars-orbitale toepassingen.
Multi-sensor en Multi-resolutie: Het model kan effectief omgaan met data van 0,25 m/pixel tot 100 m/pixel zonder dat de architectuur hoeft te veranderen.
Nieuwe Fusiestrategie: De introductie van de EVL-strategie voor het selecteren van checkpoints, wat zorgt voor stabielere en generaliseerbaardere modelfusie dan traditionele methoden (zoals het samenvoegen van de laatste epoch).
Schalbaarheid: Het framework maakt het mogelijk om nieuwe sensoren toe te voegen door ze apart te pre-trainen en vervolgens te mergen, zonder het hele systeem opnieuw te hoeven trainen.

4. Resultaten

MOMO is geëvalueerd op 9 downstream taken uit de Mars-Bench benchmark (4 classificatie- en 5 segmentatietaken).

Vergelijking met Baselines: MOMO presteert over het algemeen beter dan:
- Modellen getraind vanaf nul (Scratch).
- Modellen vooraf getraind op ImageNet.
- Bestaande Earth Observation Foundation Models (zoals SatMAE, Prithvi, CROMA).
- Sensore-specifieke pre-training modellen.
- Een "Data Merge" baseline (waarbij alle data direct in één dataset wordt samengevoegd).
Segmentatie: De prestatiesverbetering is het meest opvallend bij segmentatietaken (bijv. het lokaliseren van rotsblokken of kraters), waar MOMO een gemiddelde verbetering van ~1% mIoU laat zien ten opzichte van ImageNet, en tot 4% bij specifieke taken zoals "Boulder".
Classificatie: MOMO presteert consistent beter of gelijk aan de beste baselines, met name bij complexe multi-class taken.
Validatie van EVL: Experimenten tonen aan dat de EVL-strategie leidt tot een stabielere loss-landscape in de gewichtenruimte vergeleken met het gebruik van alleen de laatste epoch (Last Epoch) of early stopping, wat resulteert in betere prestaties.

5. Betekenis en Toekomstperspectief

MOMO markeert een mijlpaal in de planetaire wetenschappen door de toepassing van moderne foundation model-technieken op Mars-data.

Kostenefficiëntie: Het stelt planetaire wetenschappers in staat om modellen voor specifieke taken te trainen met minder data en rekenkracht dan volledig supervised training.
Toepassingen: Het model kan worden gebruikt voor diverse taken zoals het maken van globale kaarten van landslides, het lokaliseren van rotsblokken voor toekomstige missies, en het analyseren van geologische veranderingen.
Open Source: De auteurs maken de modelgewichten, code en data openbaar beschikbaar, wat de basis legt voor toekomstig onderzoek naar foundation modellen voor andere planeten.

Kortom, MOMO bewijst dat het gebruik van model-merging met een geoptimaliseerde checkpoint-selectie een krachtige en schaalbare methode is om foundation modellen te bouwen voor complexe, multi-resolutie remote sensing data.