IBM y NASA presentan su modelo de IA abierto para explorar la Luna

Explorar la Luna también implica saber leer la enorme cantidad de información que se ha acumulado sobre su superficie durante décadas. Para facilitar esa tarea, IBM y NASA lanzaron el Modelo Fundacional Lunar de NASA-IBM, un sistema de inteligencia artificial de código abierto que busca ayudar a los científicos a encontrar patrones en los datos lunares y acelerar nuevos descubrimientos.

El modelo ya está disponible públicamente en Hugging Face y fue entrenado con un extenso conjunto de observaciones obtenidas por distintos instrumentos y misiones. De acuerdo con IBM y NASA, puede superar hasta en 23% a métodos utilizados previamente para identificar características geográficas de la superficie lunar, entre ellas posibles depósitos de hielo, cráteres y formaciones volcánicas.

La propuesta parte de un reto sencillo de explicar, pero complejo de resolver: durante años, sensores y equipos científicos han generado petabytes de información sobre la Luna, pero analizarla requiere combinar datos de diferentes instrumentos y resoluciones.

Leer también: Así puedes canjear tu iPhone usado por el nuevo iPhone 18 Pro

El modelo analiza datos lunares de distintas fuentes para detectar hielo, cráteres y volcanes y apoyar futuras misiones. Foto: IBM

Una nueva forma de leer la Luna

Hasta ahora, los investigadores podían revisar mapas e imágenes de manera manual o recurrir a modelos de aprendizaje automático diseñados para tareas específicas. Estos sistemas pueden demandar una importante capacidad de cómputo y no siempre ofrecen la precisión necesaria para estudiar características geográficas.

El Modelo Fundacional Lunar de NASA-IBM busca cambiar ese proceso al relacionar distintos tipos de observaciones y encontrar conexiones que podrían pasar inadvertidas cuando cada fuente se analiza por separado.

“NASA ha dedicado décadas a construir un extraordinario registro científico de la Luna, pero recopilar datos es solo una parte del trabajo. También debemos facilitar que los científicos exploren y utilicen esos datos”, afirmó Kevin Murphy, director de datos científicos y director interino de datos e IA de la sede central de NASA en Washington.

El funcionario señaló que el modelo demuestra las posibilidades de aplicar IA a los petabytes de información científica de la agencia para convertir datos a gran escala en nuevos descubrimientos.

Uno de los principales usos está relacionado con la búsqueda de hielo lunar. Las regiones permanentemente sombreadas son difíciles de observar, pero podrían contener hielo debajo de la superficie. Encontrarlo sería relevante porque el agua y el oxígeno son considerados recursos esenciales para una futura base lunar y para producir combustible destinado a misiones posteriores a Marte.

En este caso, el modelo combina observaciones de diferentes fuentes y resoluciones para predecir dónde podría existir hielo. IBM y NASA reportan que redujo 22% el error en la identificación de zonas con alto potencial de hielo frente al modelo SwinV2-B (ImageNet).

Cráteres y volcanes bajo la lupa

Los cráteres también son una pieza clave para entender la historia de la Luna. Su distribución puede aportar información sobre la edad de distintos terrenos, su geología y la composición química del interior primitivo del satélite.

Además, identificarlos con precisión tiene una utilidad práctica. El mapeo de cráteres puede ayudar a seleccionar sitios de aterrizaje, evitar zonas con pendientes pronunciadas o rocas y planificar posibles ubicaciones para infraestructura lunar.

Con el nuevo modelo, los investigadores pueden identificar, contextualizar y clasificar cráteres a una resolución de metros con una precisión comparable a modelos de última generación, pero con mayor eficiencia y menores costos de ajuste.

IBM y NASA también desarrollaron el primer conjunto de datos lunares de código abierto diseñado para aprendizaje automático. Foto: IBM

Un mapa lunar para seguir construyendo

El proyecto no se limita al modelo de IA. IBM y NASA también desarrollaron el primer conjunto de datos lunares de código abierto diseñado para aprendizaje automático, con más de 30 capas espacialmente alineadas provenientes de nueve instrumentos en cuatro misiones.

El conjunto reúne decenas de miles de imágenes y mapas de misiones como Lunar Reconnaissance Orbiter (LRO) y GRAIL de NASA, además de información de la misión SELENE/Kaguya de la Agencia de Exploración Aeroespacial de Japón.

Para Juan Bernabe-Moreno, director de Investigación de IBM en Europa, Reino Unido e Irlanda, uno de los principales beneficios está en que los investigadores puedan partir de una base común y adaptarla a nuevas preguntas científicas.

“Ofrece a los científicos una base para explorar la Luna a escala, conectando observaciones de distintos instrumentos, revelando patrones que son difíciles de ver de forma aislada y proporcionando una plataforma abierta sobre la cual la comunidad de investigación mundial puede seguir construyendo”, indicó.

El modelo forma parte de la familia de modelos fundacionales abiertos Prithvi, que ya abarca áreas como geoespacio, clima y heliofísica. La apuesta es que, en lugar de desarrollar un sistema diferente para cada problema científico, los investigadores puedan adaptar una misma base a nuevas tareas.

Leer también: IFA 2026: 5 productos de Anker premiados en los Innovation Awards

Recibe todos los viernes Hello Weekend, nuestro newsletter con lo último en gastronomía, viajes, tecnología, autos, moda y belleza. Suscríbete aquí:https://www.eluniversal.com.mx/newsletters

Samsung Z Fold8 vs iPhone Duo: ¿cuál es la mejor opción de plegable?