NASA e IBM lanzaron este jueves un modelo fundacional de inteligencia artificial de código abierto diseñado específicamente para estudiar la Luna y ayudar a científicos a analizar décadas de observaciones acumuladas por distintas misiones espaciales.
El sistema, denominado NASA-IBM Lunar Foundation Model, fue entrenado con más de 30 capas de información procedentes de nueve instrumentos instalados en cuatro misiones y puede combinar imágenes, mapas y mediciones de diferentes resoluciones para identificar relaciones que serían difíciles de observar al analizar cada fuente de manera separada.
Entre sus aplicaciones se encuentran la identificación de posibles depósitos de hielo en regiones permanentemente sombreadas de la Luna, la detección y clasificación de cráteres y el estudio de formaciones volcánicas. En pruebas de referencia, el modelo mejoró hasta 23% la identificación de algunos rasgos de la superficie lunar frente a métodos utilizados actualmente, según NASA e IBM.
La búsqueda de hielo es especialmente relevante para los planes de exploración lunar. Las zonas cercanas a los polos contienen cráteres que prácticamente nunca reciben luz solar y donde podrían conservarse depósitos de agua congelada. Ese hielo podría utilizarse no sólo para producir agua y oxígeno para futuras bases, sino también como materia prima para combustible de cohetes en misiones más profundas hacia Marte.
En este tipo de regiones, el nuevo modelo redujo hasta 22% el error al estimar zonas con alto potencial de contener hielo, comparado con el modelo de visión SwinV2-B utilizado como referencia por los investigadores. El sistema también puede ayudar a construir mapas de cráteres. A una escala aproximada de 100 metros, logró un desempeño cerca de 19% superior al modelo de referencia utilizando sólo la mitad de los datos de entrenamiento. A resoluciones más detalladas consiguió resultados comparables a modelos especializados, pero con menores necesidades de ajuste posterior.
Mapear cráteres no sólo permite reconstruir la historia geológica de la Luna. Su distribución, profundidad y composición pueden ayudar a determinar la edad de distintas regiones y, al mismo tiempo, identificar pendientes, rocas y otros obstáculos que deben evitar futuras misiones tripuladas o instalaciones permanentes.
El proyecto busca resolver además un problema creciente para la ciencia planetaria: NASA dispone de enormes cantidades de información sobre la Luna obtenida durante décadas, pero esos datos proceden de sensores distintos y no siempre pueden analizarse juntos fácilmente.
IBM y NASA construyeron por ello un nuevo conjunto de datos abierto que reúne más de 30 capas espacialmente alineadas y decenas de miles de imágenes y mapas. Incluye información obtenida por el Lunar Reconnaissance Orbiter, la misión GRAIL y datos complementarios de la misión japonesa SELENE/Kaguya, entre otras fuentes.
“NASA ha pasado décadas construyendo un extraordinario registro científico de la Luna, pero recopilar datos es sólo una parte del trabajo”, explicó Kevin Murphy, jefe de datos científicos y responsable interino de datos e inteligencia artificial de la agencia. El objetivo, dijo, es convertir los enormes archivos científicos de NASA en información que pueda explorarse con mayor facilidad y utilizarse para realizar nuevos descubrimientos.
A diferencia de un modelo entrenado para resolver una única tarea, un modelo fundacional aprende representaciones generales a partir de grandes conjuntos de datos y puede adaptarse posteriormente para resolver problemas científicos específicos. En este caso, los investigadores podrían partir del mismo modelo lunar y especializarlo para estudiar hielo, cráteres, volcanismo u otras características sin tener que construir un sistema desde cero para cada investigación.
El Lunar Foundation Model se incorpora a la familia Prithvi, una colaboración de NASA e IBM que ya incluye modelos abiertos especializados en observación terrestre, clima y actividad solar. Uno de ellos, Prithvi Geospatial, fue desplegado este año a bordo de plataformas en órbita para procesar datos de observación de la Tierra.
La estrategia apunta a algo más amplio: NASA pretende desarrollar modelos fundacionales especializados para distintas áreas de su Dirección de Misiones Científicas, de manera que los mismos sistemas puedan convertirse en infraestructura reutilizable para investigación en vez de desarrollar un algoritmo independiente para cada pregunta científica. IBM ya había presentado avances del modelo lunar desde finales de 2025.
El lanzamiento ocurre mientras NASA prepara el regreso de astronautas a la superficie lunar mediante el programa Artemis, actualmente previsto para 2028. La agencia busca utilizar esas misiones para probar tecnologías necesarias para mantener una presencia humana prolongada en la Luna y posteriormente realizar misiones hacia Marte.
