Entrenado principalmente con datos del Lunar Reconnaissance Orbiter, el modelo puede ayudar a identificar cráteres, estudiar estructuras volcánicas y estimar dónde podría existir hielo estable en los polos lunares.
Durante décadas, las misiones espaciales han acumulado una enorme cantidad de imágenes y mediciones de la Luna. El reto para la investigación científica ya no consiste solamente en obtener nuevos datos, sino también en encontrar formas de analizarlos con mayor rapidez y aprovechar toda la información que ya existe.
Con ese objetivo, la NASA y IBM Research desarrollaron el NASA-IBM Lunar Foundation Model, un modelo de inteligencia artificial diseñado específicamente para la investigación lunar y presentado por la agencia como uno de los primeros modelos fundacionales de código abierto creados para esta área.
El modelo fue entrenado principalmente con datos del Lunar Reconnaissance Orbiter (LRO) y está disponible públicamente en Hugging Face, donde puede ser utilizado por cualquier persona. El código completo del proyecto se encuentra en GitHub, para realizar pruebas y experimentos.
La herramienta puede adaptarse a distintas tareas científicas utilizando cantidades relativamente pequeñas de datos etiquetados. Entre sus aplicaciones están el mapeo de cráteres, la identificación de estructuras volcánicas y la estimación de regiones donde podría existir hielo estable cerca de los polos lunares.
De décadas de observaciones a un modelo de IA
El desarrollo del modelo parte de una característica particular de la investigación lunar: existe ya un archivo extraordinariamente grande de observaciones que puede ser reutilizado para responder nuevas preguntas científicas.
Los datos recopilados por el Lunar Reconnaissance Orbiter durante 17 años cubren prácticamente toda la superficie de la Luna con gran detalle. NASA señala que el volumen generado por esta misión es mayor que el de todas las demás misiones planetarias de la agencia combinadas.
El NASA-IBM Lunar Foundation Model fue entrenado con aproximadamente 2 millones de fragmentos de imágenes procedentes de este conjunto de datos.
De ellos, más de un millón corresponden a imágenes de alta resolución, con una resolución de alrededor de un metro, y cerca de 964 mil son imágenes multiespectrales, con una resolución de 100 metros.
El entrenamiento también incorporó imágenes de alta resolución y datos de terreno de otras misiones, entre ellas GRAIL, Lunar Prospector y la misión japonesa SELENE.
La intención es que los investigadores puedan reutilizar lo aprendido por el modelo para diferentes tareas sin tener que desarrollar y entrenar un algoritmo completamente nuevo desde cero en cada investigación.
¿Qué es un modelo fundacional?
A diferencia de los modelos desarrollados para resolver una sola tarea, los modelos fundacionales se entrenan previamente con grandes cantidades de datos. Esa etapa inicial les permite aprender patrones que después pueden aprovecharse para diferentes aplicaciones mediante procesos de ajuste con conjuntos de datos más pequeños.
En el caso del modelo lunar, el entrenamiento le permite trabajar con distintos tipos de información sobre la superficie de nuestro satélite y adaptarse posteriormente a preguntas científicas específicas.
Eso significa que un investigador no necesita necesariamente empezar con un sistema vacío para, por ejemplo, localizar cráteres o estudiar una región polar: puede partir de un modelo que ya aprendió patrones presentes en millones de observaciones lunares.
Buscar hielo en los polos
Una de las aplicaciones más relevantes del proyecto es la investigación sobre el hielo en las regiones polares de la Luna.
Algunas zonas cercanas a los polos permanecen permanentemente en sombra. Estas regiones pueden alcanzar temperaturas suficientemente bajas para atrapar y preservar hielo durante periodos extremadamente largos.
El modelo puede ayudar a los investigadores a estimar dónde podrían existir parches de hielo estables, tanto sobre la superficie como debajo de ella.
El estudio de estas regiones tiene un doble interés. Por un lado, el hielo puede aportar información sobre la historia de la Luna. Por otro, su localización puede ayudar a identificar recursos que podrían resultar útiles en futuras actividades de exploración espacial.
En las evaluaciones realizadas, NASA señala que el modelo mostró una ventaja clara frente a otros modelos de referencia en la estimación de la estabilidad del hielo polar.
Los cráteres cuentan la historia de la Luna
Otra de las aplicaciones es el análisis de cráteres de impacto.
La superficie lunar conserva las huellas de innumerables impactos. Contar y medir los cráteres permite estimar la edad relativa de distintas regiones y reconstruir parte de la historia del Sistema Solar.
La identificación manual de estas estructuras puede convertirse en una tarea muy extensa cuando se trabaja con grandes cantidades de imágenes. Un modelo capaz de localizar y medir automáticamente los cráteres permite acelerar esta primera etapa del análisis y dejar a los investigadores más tiempo para interpretar los resultados.
NASA informa que el modelo obtuvo resultados comparables a otros modelos fuertes de referencia en tareas relacionadas con el mapeo y la segmentación de cráteres.
Una inteligencia artificial para estudiar el volcanismo lunar
El modelo también puede ayudar a identificar estructuras relacionadas con el pasado volcánico de la Luna.
Entre ellas se encuentran las llamadas irregular mare patches, formaciones que parecen relativamente jóvenes. Su existencia resulta particularmente interesante porque plantea preguntas sobre las cronologías establecidas de enfriamiento de la Luna.
Mapear estas estructuras con mayor rapidez puede ayudar a estudiar la evolución térmica de nuestro satélite y a reconstruir con mayor detalle los procesos geológicos que ocurrieron en su superficie.
Una prueba con un cráter que el modelo no había visto
Una de las pruebas descritas por NASA permite mostrar cómo puede utilizarse el modelo para estudiar cambios nuevos en la superficie lunar.
Los investigadores analizaron imágenes de una región cercana al cráter Einstein antes y después del impacto de un cuerpo de cohete de SpaceX.
El nuevo cráter producido por el impacto no había formado parte de los datos utilizados para el preentrenamiento del modelo.
Después de un proceso de ajuste, el sistema fue capaz de identificar tanto los cráteres que ya estaban presentes como el nuevo cráter generado por el impacto. NASA señala que este resultado muestra cómo el modelo puede adaptarse para reconocer cambios que no estaban presentes en los datos con los que originalmente fue entrenado.
Esta capacidad puede ser útil para detectar automáticamente nuevos impactos y otros cambios en la superficie a partir de observaciones realizadas en diferentes momentos.
La agencia también advierte que las variaciones en la iluminación entre distintas órbitas pueden afectar la visibilidad de los cráteres más pequeños.
Una IA lunar de código abierto
Uno de los elementos que distingue al proyecto es que NASA e IBM decidieron ponerlo a disposición de otros investigadores.
El modelo está alojado públicamente en Hugging Face, mientras que el código completo está disponible en GitHub para pruebas y experimentación.
Además del modelo y su código, el proyecto incluye conjuntos de datos preparados para aprendizaje automático y colecciones de referencia que permiten evaluar y comparar el desempeño de distintos sistemas. También está integrado en TerraTorch, un conjunto de herramientas de código abierto.
Esto significa que otros equipos de investigación pueden partir de la misma base, estudiar cómo funciona, adaptarla a nuevos problemas y desarrollar sus propios modelos sin tener que comenzar desde cero con todo el archivo de observaciones lunares.
La apertura también favorece que los resultados puedan ser comparados y reproducidos por otros grupos, algo especialmente importante en la investigación científica basada en inteligencia artificial.
La IA como infraestructura científica
El proyecto forma parte de una estrategia más amplia de la NASA para aplicar inteligencia artificial al análisis de datos científicos.
La agencia señala que el objetivo no es únicamente automatizar tareas, sino hacer que grandes volúmenes de información puedan convertirse con mayor rapidez en conocimiento científico.
El modelo lunar forma parte de una colaboración más amplia entre NASA e IBM que también incluye modelos orientados al estudio de la Tierra y del Sol. Entre ellos están los modelos Prithvi, entrenados con datos de observación terrestre para aplicaciones como monitoreo de desastres, mapas de inundaciones y predicción de rendimiento de cultivos, y el modelo Surya, desarrollado para estudiar fenómenos de meteorología espacial como las erupciones solares.
En el caso de la Luna, el paso es especialmente significativo por la escala del archivo disponible: millones de imágenes pueden convertirse en una base de entrenamiento que posteriormente sirve para responder preguntas diferentes sobre la superficie, la geología y los posibles recursos del satélite.
De observar la Luna a encontrar nuevos patrones
Las misiones espaciales continuarán generando datos, pero al mismo tiempo existe un archivo de observaciones que seguirá creciendo en valor científico a medida que se desarrollen nuevas herramientas para analizarlo.
El NASA-IBM Lunar Foundation Model representa precisamente ese cambio: la inteligencia artificial puede convertirse en una capa de análisis sobre décadas de observaciones espaciales, capaz de acelerar la identificación de patrones y facilitar que los científicos concentren más tiempo en interpretar qué significan.
Y al liberar el modelo, su código y los recursos necesarios para experimentar con él, NASA e IBM convierten esa herramienta en una plataforma que otros investigadores pueden utilizar, evaluar y ampliar.
La próxima generación de investigación lunar no dependerá solamente de cuántos datos puedan obtener las misiones espaciales, sino también de qué tan bien puedan analizarse y qué nuevas preguntas científicas sea posible plantear a partir de ellos.
