Eine aktuelle Studie des Southwest Research Institute (SwRI) mit Sitz in Boulder, Colorado, hat gravierende Diskrepanzen in künstlich intelligenten Mondkrater-Katalogen aufgedeckt. Unter der Leitung von Dr. Stuart J. Robbins und gemeinsam mit Dr. Rachael H. Hoover untersuchten die Forschenden acht globale, mittels KI generierte Kraterdatensätze. Die Analyse zeigt, dass die öffentlich beworbenen Leistungswerte dieser Modelle stark sinken, sobald sie mit denselben wissenschaftlichen Standards wie manuelle Analysen überprüft werden. Kraterkataloge sind für die planetare Wissenschaft unverzichtbar, da sie durch ihre Dichte und Größe die Altersbestimmung von Himmelskörpern ermöglichen. Automatisierte Erkennungssysteme könnten den manuellen Aufwand erheblich reduzieren, doch die vorliegenden Ergebnisse warnen vor voreiliger Übernahme in die wissenschaftliche Praxis. Die Forschenden bewerteten die KI-Datenbanken anhand eines umfangreichen, manuell erstellten Referenzkatalogs und legten dabei strenge Kriterien für die räumliche Übereinstimmung und genaue Durchmesserangaben zugrunde. Es zeigte sich, dass herkömmliche Computer-Vision-Metriken oft ein irreführend positives Bild zeichnen, solange Größe und Position der Krater nicht exakt mit den wissenschaftlichen Anforderungen übereinstimmen. Bereits kleine Abweichungen können zu gravierenden Fehlinterpretationen führen. So würde etwa eine doppelte Zählung desselben Kraters durch das Modell die geschätzte Oberfläche eines Gebiets verdoppeln. Zudem verbargen aggregierte Kennzahlen deutliche Schwächen in bestimmten Kratergrößenklassen, was die Zuverlässigkeit für spezifische Forschungsfragen einschränkte. Trotz dieser Mängel sehen die Autorinnen und Autoren den Einsatz von Künstlicher Intelligenz nicht als gescheitert, sondern als notwendigen Schritt zur Modernisierung der planetaren Datenerfassung. Der Fokus liegt nun auf der Entwicklung standardisierter Benchmarks, transparenter Meldesysteme für Anpassungskriterien und unabhängiger Validierungen. Nur so ließe sich das immense Potenzial der Automatisierung langfristig für die geologische Kartierung und die Rekonstruktion der Sonnensystemgeschichte nutzbar machen. Bisherige KI-generierte Kataloge müssen nach Auffassung des SwRI-Teams daher stets kritisch hinterfragt und vor ihrer wissenschaftlichen Integration rigoros geprüft werden, um verlässliche Ergebnisse zu gewährleisten.