La NASA e IBM abren modelo de IA para estudiar la Luna
Entrenada con mapas del LRO, misiones gravitatorias y sondas japonesas, la herramienta agiliza el hallazgo de hielo y cráteres para la futura base Artemis.
La NASA e IBM presentaron el NASA-IBM Lunar Foundation Model, un sistema de inteligencia artificial en código abierto diseñado para procesar décadas de mediciones geológicas lunares y facilitar el trabajo de investigación científica sin revisiones manuales.
Estudiar la superficie de la Luna significó históricamente lidiar con catálogos masivos de registros satelitales dispersos y análisis visuales lentos. Para resolver ese cuello de botella, la NASA e IBM unificaron por primera vez grandes volúmenes de telemetría y cartografía en un set de datos de acceso público, base con la que entrenaron su nuevo modelo fundacional.
La arquitectura se alimenta de miles de imágenes de alta resolución capturadas desde 2009 por el Lunar Reconnaissance Orbiter (LRO), lecturas del campo gravitatorio lunar registradas por la misión GRAIL entre 2011 y 2012, y datos geológicos recopilados por la sonda orbital japonesa SELENE/Kaguya (2007-2009). Al integrar estas capas, el sistema supera la imprecisión de los procesadores de lenguaje convencionales y automatiza tareas que a los investigadores les tomaba semanas completar a mano.
El modelo destaca por su precisión en tiempo real: durante las pruebas de validación, identificó sin margen de error las coordenadas exactas de impacto de la etapa del cohete Falcon 9 de SpaceX que colisionó con la superficie lunar en agosto. Entre sus tareas clave figuran el mapeo de cráteres, el rastreo de actividad volcánica pretérita y, sobre todo, la prospección de depósitos de hielo en áreas permanentemente ensombrecidas de los polos.
Localizar estas reservas de agua congelada resulta indispensable para la supervivencia de las misiones tripuladas del programa Artemis y la posterior instalación de asentamientos humanos autosuficientes. Los desarrolladores y científicos ya pueden descargar los pesos del modelo, los datos de entrenamiento y su documentación técnica completa mediante el repositorio abierto de Hugging Face.
El desarrollo de sistemas abiertos en misiones astronómicas demuestra cómo la ciencia colaborativa acelera soluciones complejas sin depender de patentes cerradas. Que agencias públicas liberen estas herramientas permite que universidades, programadores independientes y emprendedores locales utilicen la misma tecnología espacial para resolver problemas de cartografía terrestre, gestión de recursos hídricos y monitoreo satelital en sus propias comunidades.