IBM y la NASA publican como código abierto un modelo fundacional para la Luna

La NASA e IBM presentaron el 10 de septiembre el modelo fundacional lunar NASA‑IBM, un sistema de IA de código abierto entrenado para interpretar la superficie de la Luna a una escala que ningún instrumento ha logrado por sí solo. El modelo ya está disponible en Hugging Face, con su base de código en GitHub bajo licencia Apache 2.0 y un artículo complementario publicado junto a él.

Lectura relacionada: La ESA construirá su propio radar para la misión EnVision a Venus mientras la NASA se retira · La NASA pregunta a la industria si naves comerciales podrían elevar o retirar el Hubble.

Es uno de los primeros modelos fundacionales de acceso público creados específicamente para la ciencia lunar, y se suma a la familia Prithvi de modelos abiertos de IBM y la NASA para observación de la Tierra, meteorología y heliofísica: el mismo enfoque, aplicado a otro mundo. En lugar de crear un algoritmo a medida para cada pregunta científica, los investigadores parten de un modelo compartido y lo adaptan.

Un modelo, muchos instrumentos

La Luna se cartografía desde hace décadas, por misiones estadounidenses y japonesas, en muchas longitudes de onda y a muchas resoluciones. Lo que faltaba era una forma de reunirlo todo en una sola representación. El modelo de la NASA e IBM es el primero en integrar observaciones a través de modalidades, ángulos de visión y escalas espaciales, consolidando datos recogidos durante décadas.

Según IBM y la NASA, el modelo supera a los métodos más usados hasta en un 23 % a la hora de identificar rasgos geográficos clave de la superficie lunar, incluidos posibles depósitos de hielo, cráteres y formaciones volcánicas. Ese hielo importa: localizar agua helada es fundamental para los planes de una presencia humana sostenida en la Luna, tanto como recurso como por interés científico.

Los datos de entrenamiento procedieron principalmente del Lunar Reconnaissance Orbiter de la NASA. En lo técnico, el modelo es multimodal y multirresolución, con un codificador ViT‑B y un decodificador de 12 capas, preentrenado en 16 GPU H100 durante unas 1.100 horas de GPU. IBM y la NASA afirman que lo ajustaron con adaptadores LoRA ligeros que dejaron congelados el 90 % de los pesos del modelo base: un toque deliberadamente leve que, aun así, igualó o superó a los modelos tradicionales de aprendizaje automático en diversas tareas.

El lanzamiento está integrado en el conjunto de herramientas de código abierto TerraTorch e incluye conjuntos de datos de preentrenamiento y colecciones de referencia para que los investigadores reproduzcan resultados y construyan sobre ellos.

Ciencia abierta, aplicada

La colaboración reunió al equipo Impact AI de la NASA en el Marshall Space Flight Center, a científicos de la División de Ciencias Planetarias de la agencia y a investigadores de los centros Goddard y Ames, junto con IBM Research y socios académicos. El resultado pretende ser menos un producto acabado que un punto de partida común. El problema que aborda no es la falta de datos, sino la falta de formas de buscarlos: demasiado material, demasiadas pocas personas para revisarlo a mano. Un modelo fundacional compartido da a cada científico la misma lente potente.

El momento no es casual. La NASA se prepara para nuevas misiones Artemis tras el sobrevuelo lunar tripulado de esta primavera, y enmarca el modelo como parte de un esfuerzo más amplio por convertir datos brutos en un recurso para el descubrimiento lunar. El modelo y los conjuntos de datos se pueden descargar gratis, lo que significa que la búsqueda del agua de la Luna, de lugares de aterrizaje seguros y de su historia geológica ya no depende de quién puede permitirse entrenar un modelo, sino solo de quién tiene una pregunta que merezca la pena formular.