NASA e IBM liberaron un modelo abierto de IA para analizar cráteres, volcanismo y posibles depósitos de hielo en la superficie lunar.
WASHINGTON, ESTADOS UNIDOS — NASA e IBM liberaron un modelo fundacional de inteligencia artificial entrenado con casi dos millones de segmentos de datos lunares y diseñado para adaptarse a tareas como cartografía de cráteres, análisis de volcanismo y estimación de regiones con potencial de hielo en los polos.
NASA e IBM pusieron a disposición de investigadores el NASA-IBM Lunar Foundation Model, una herramienta de inteligencia artificial concebida específicamente para teledetección y ciencia lunar. El sistema fue publicado el 10 de septiembre en Hugging Face, mientras el software para ajuste e inferencia se distribuye mediante un repositorio público de NASA en GitHub.
La herramienta no funciona como un chatbot ni pretende sustituir el análisis científico. Es un modelo fundacional de visión y teledetección: primero aprende representaciones generales a partir de grandes cantidades de información y después puede ajustarse con conjuntos de datos más pequeños para resolver problemas específicos.
NASA identifica inicialmente tres aplicaciones: reconocer y medir cráteres, localizar estructuras volcánicas inusuales y estimar regiones donde las condiciones son compatibles con la presencia o estabilidad de hielo cerca de los polos lunares.
El modelo aprendió de casi 2 millones de teselas tomadas a dos escalas de la Luna
El núcleo del entrenamiento procede de los aproximadamente 17 años de observaciones del Lunar Reconnaissance Orbiter (LRO), una misión que ha construido una cobertura de gran detalle de buena parte de la superficie lunar. NASA señala que el volumen generado por LRO supera al conjunto de datos de todas sus demás misiones planetarias combinadas.
La ficha técnica del modelo detalla dos grandes grupos de imágenes: 1.000.113 teselas de alta resolución vinculadas con la cámara NAC, cercana a un metro por píxel, y 963.609 teselas basadas en WAC a aproximadamente 100 metros por píxel. Sumadas, representan 1.963.722 teselas utilizadas en el corpus de preentrenamiento. Cálculo de la redacción basado en las cantidades publicadas por NASA e IBM.
El entrenamiento no depende únicamente de fotografías visibles. El conjunto SomBench combina mediciones ópticas, topográficas, espectrales, térmicas, de radar y gravedad, alineadas para representar una misma zona de la superficie mediante distintos tipos de observación.
IBM describe el conjunto completo como más de 30 capas espacialmente alineadas procedentes de nueve instrumentos y cuatro misiones. Además del LRO, se incorporaron observaciones de GRAIL, Lunar Prospector y la misión japonesa SELENE/Kaguya.
Esta combinación es relevante porque un mismo accidente lunar puede verse de formas muy distintas según la iluminación, resolución y sensor empleado. El modelo intenta aprender relaciones entre esas observaciones en vez de tratar cada instrumento como una fuente completamente separada.
Cráteres, volcanismo e hielo polar son las primeras pruebas científicas del sistema
La detección de cráteres tiene aplicaciones que van más allá de elaborar mapas. Su distribución y tamaño ayudan a estimar la edad relativa de terrenos lunares, reconstruir episodios de impactos y analizar la historia geológica del sistema solar. También resultan útiles para estudiar peligros y características del terreno en futuras misiones.
En una prueba difundida por NASA, el modelo fue ajustado para comparar imágenes de la región del cráter Einstein antes y después del impacto de un cuerpo de cohete. Como la imagen posterior al impacto no había formado parte del preentrenamiento, el ejercicio mostró que la representación aprendida podía adaptarse para localizar un cambio nuevo en la superficie. NASA advierte, sin embargo, que diferencias en iluminación entre órbitas pueden afectar la visibilidad de cráteres pequeños.
La segunda aplicación se centra en las llamadas irregular mare patches, pequeñas estructuras volcánicas que presentan morfologías relativamente jóvenes. Localizarlas con mayor rapidez podría ayudar a reconstruir la evolución térmica y volcánica de la Luna.
La tercera área, y una de las de mayor interés para la exploración humana, es el hielo polar. Algunas regiones permanentemente sombreadas mantienen temperaturas extremadamente bajas durante periodos muy prolongados y pueden preservar compuestos volátiles.
Aquí es necesaria una distinción: el modelo no demuestra por sí mismo que exista hielo en un punto concreto. Lo que estima es la denominada ice prospectivity, es decir, qué lugares presentan características asociadas con una mayor probabilidad o estabilidad potencial del hielo a partir de las variables disponibles.
IBM reporta mejoras de hasta 23%, pero el resultado cambia según la tarea evaluada
IBM afirmó que el modelo supera métodos de referencia en determinadas pruebas por hasta un 23%, pero esa cifra no debe interpretarse como una mejora general del 23% sobre toda la ciencia lunar.
Los resultados publicados son específicos de cada benchmark. Para estimar potencial de hielo, IBM reportó una reducción de hasta 22% en el error RMSE frente a una versión del modelo SwinV2-B entrenada inicialmente con ImageNet. En detección de cráteres a escala aproximada de 100 metros, el modelo lunar superó ese referente por cerca de 19% utilizando solo la mitad de los datos de entrenamiento.
En cambio, para cráteres a resolución métrica NASA describe un rendimiento comparable con modelos de última generación, y en segmentación de estructuras volcánicas las diferencias fueron más limitadas. La agencia resume que el sistema igualó o superó varios baselines en las tareas evaluadas, con la ventaja más clara en la estimación de estabilidad de hielo polar.
Esa diferencia importa editorialmente: un modelo fundacional se evalúa por su capacidad para adaptarse a múltiples problemas, pero ninguna prueba individual garantiza que vaya a superar todas las técnicas especializadas en cualquier conjunto de datos futuro.
El modelo es abierto, aunque el repositorio no incluye el código de preentrenamiento
NASA presenta el proyecto como una iniciativa de ciencia abierta y señala que el modelo está disponible en Hugging Face y su código en GitHub. La ficha del modelo especifica una licencia Apache 2.0, que permite utilizar, modificar y redistribuir el software bajo sus condiciones.
Sin embargo, existe una precisión relevante en la documentación técnica. El repositorio oficial de NASA en GitHub se describe como una versión para fine-tuning e inferencia y señala expresamente que el código de preentrenamiento no está incluido.
Por tanto, es más preciso afirmar que los pesos del modelo, configuraciones, herramientas de adaptación e inferencia y datos de referencia han sido liberados, pero no que todo el proceso utilizado para entrenarlo desde cero pueda reproducirse únicamente con el repositorio público actual.
El repositorio incluye configuraciones para detección de cráteres, segmentación de irregular mare patches y regresión de potencial de hielo, además de integración con la biblioteca abierta TerraTorch.
SomBench abre también una base común para comparar futuros modelos lunares
El proyecto no se limita al modelo. NASA e IBM prepararon SomBench, un conjunto de datos diseñado específicamente para aprendizaje automático aplicado a la superficie lunar.
Una muestra está disponible mediante Hugging Face y el conjunto completo se distribuye a través del programa NASA Open Data en AWS. El registro de datos abiertos identifica la versión final bajo licencia Creative Commons Attribution 4.0.
Esto puede tener una consecuencia científica duradera: distintos grupos podrán evaluar modelos contra una colección común y reproducir pruebas en condiciones más comparables. Hasta ahora, una dificultad recurrente en la inteligencia artificial aplicada a ciencia planetaria era que cada proyecto preparaba sus propios datos, escalas, etiquetas y procedimientos de evaluación.
NASA también ubica el Lunar Foundation Model dentro de una línea más amplia de modelos científicos desarrollados con IBM. Esa colaboración ya produjo Prithvi, orientado a observación terrestre, y Surya, entrenado con observaciones solares para aplicaciones de heliofísica.
La utilidad científica real se medirá al salir de los benchmarks iniciales
El lanzamiento marca la disponibilidad pública de la herramienta, no una demostración definitiva de que vaya a resolver por sí sola los principales problemas de la ciencia lunar.
Las pruebas difundidas hasta ahora fueron desarrolladas por equipos vinculados con la creación del propio modelo y comparan tareas concretas. El siguiente paso será observar cómo se comporta cuando otros grupos lo adapten a nuevos instrumentos, regiones, condiciones de iluminación y problemas científicos no utilizados en sus evaluaciones iniciales.
Su ventaja potencial reside precisamente ahí: un investigador no tiene que iniciar cada proyecto entrenando un sistema desde cero. Puede comenzar con una representación construida a partir de millones de observaciones lunares y especializarla con una cantidad menor de información etiquetada.
La publicación abierta permitirá ahora contrastar esa promesa. Si los resultados se mantienen fuera de los experimentos iniciales, el aporte del NASA-IBM Lunar Foundation Model no será únicamente automatizar la identificación de cráteres o mapas de hielo potencial, sino ofrecer una base reutilizable para analizar de forma conjunta décadas de observaciones que hasta ahora estaban distribuidas entre instrumentos, resoluciones y misiones diferentes.
COMMENTS