🔬 NASA e IBM Research han publicado el NASA-IBM Lunar Foundation Model, uno de los primeros modelos de IA de código abierto creados para la ciencia lunar. Se entrenó sobre todo con unos 2 millones de teselas de imagen del Lunar Reconnaissance Orbiter (LRO) y está disponible en Hugging Face, con el código en GitHub.
Los modelos fundacionales se entrenan antes con enormes cantidades de datos sin etiquetar. Esa base amplia permite ajustarlos después a tareas concretas con poco esfuerzo, en lugar de construir un algoritmo desde cero para cada problema. El equipo eligió los datos del LRO porque cubren casi toda la superficie lunar en detalle: en 17 años, la misión ha generado más datos que todas las demás misiones planetarias de NASA juntas.
El entrenamiento usó más de 1 millón de imágenes de cámara a 1 metro de resolución y cerca de 964 000 imágenes multiespectrales a 100 metros. Se sumaron imágenes y datos de terreno de GRAIL y Lunar Prospector (NASA) y del SELENE de JAXA. Con ese punto de partida, un investigador puede adaptar el modelo con pocas etiquetas para cartografiar cráteres, localizar parches irregulares de mare —formaciones volcánicas de aspecto joven que tensionan los plazos aceptados del enfriamiento lunar— o estimar dónde el hielo se mantiene estable cerca de los polos, en esas regiones de sombra permanente que atrapan hielo durante miles de millones de años.
«NASA ha dedicado décadas a construir un registro científico extraordinario de la Luna, pero recoger datos es solo parte del trabajo», dijo Kevin Murphy, responsable de datos científicos de NASA. «También tenemos que hacer esos datos más fáciles de explorar y usar.»
✅ En las pruebas, el modelo igualó o superó a varios modelos de referencia en todas las tareas evaluadas, con ventaja clara al estimar la estabilidad del hielo polar. Contar y medir cráteres sirve para datar la superficie, así que acelerar ese paso libera tiempo para interpretar. El límite: los resultados vienen del propio equipo que construyó el modelo y se apoyan en un artículo complementario alojado en Hugging Face, sin réplica externa todavía. El equipo publicó también los conjuntos de entrenamiento y las colecciones de referencia, integrados en la herramienta abierta TerraTorch.
