NASA e IBM han presentado el Lunar Foundation Model, un modelo de inteligencia artificial de código abierto diseñado específicamente para procesar la inmensa cantidad de datos científicos acumulados sobre la Luna durante décadas. Esta iniciativa busca resolver un desafío técnico complejo: la falta de un sistema común que pueda relacionar observaciones de instrumentos con resoluciones y características distintas, lo que dificulta la clasificación de cráteres, la búsqueda de depósitos de hielo y la reconstrucción de la historia volcánica del satélite.
El contexto de desarrollo es crucial. La Lunar Reconnaissance Orbiter (LRO) lleva observando la superficie lunar desde 2009, generando más de 30 capas de información espacialmente alineadas. Según datos proporcionados por las fuentes, IBM y NASA han reunido más de 30 capas de información de nueve instrumentos y cuatro misiones, incluyendo GRAIL, Lunar Prospector y la japonesa SELENE/Kaguya. Para entrenar el modelo, se utilizaron aproximadamente dos millones de conjuntos de imágenes y mapas lunares, lo que permite a los investigadores estudiar posibles depósitos de hielo, identificar y clasificar cráteres, y reconstruir la historia volcánica con una base común.
El análisis de este modelo revela una estrategia de ingeniería de IA muy eficiente. En lugar de crear sistemas independientes para cada tarea específica, IBM y NASA han entrenado una base común capaz de aprender relaciones entre múltiples tipos de observación. Esto permite que los sistemas especialicense con cantidades mucho menores de información etiquetada, reduciendo la carga de trabajo para los equipos de investigación. Un ejemplo práctico de su utilidad es la detección de cráteres a escalas cercanas a los 100 metros, donde logró una mejora de aproximadamente un 19% utilizando solo la mitad de los datos de entrenamiento, mientras que a resolución métrica obtuvo una precisión comparable con un coste de adaptación menor.
En cuanto a la aplicación más atractiva, la búsqueda de hielo lunar, el modelo no detecta directamente el agua escondida bajo la superficie, sino que combina temperatura, topografía y otras observaciones para estimar qué regiones presentan un mayor potencial de albergar hielo. Los primeros resultados publicados indican que el Lunar Foundation Model redujo alrededor del 22% el error al identificar zonas con alta probabilidad de hielo frente a un modelo SwinV2-B utilizado como referencia. Además, mejoró aproximadamente un 3% la delimitación de las Irregular Mare Patches, formaciones que ayudan a reconstruir la actividad volcánica y la evolución térmica de la Luna.
Un caso de prueba destacado es la localización de un nuevo cráter formado por el impacto de una etapa superior de Falcon 9 en el cráter Einstein. La imagen tomada posterior al impacto se había excluido del entrenamiento previo, lo que permitió al sistema detectar el cambio en la superficie, una aplicación que ayuda a entender qué aporta una herramienta de este tipo más allá de una simple colección de porcentajes.
La disponibilidad de este modelo bajo licencia Apache 2.0 es un factor clave para su impacto. Al ser abierto, el código y los datos necesarios para trabajar con él están disponibles para universidades, centros de investigación y otros equipos, permitiendo reproducir los resultados, adaptarlo a nuevos problemas o desarrollar aplicaciones que IBM y NASA no habían contemplado. Este proyecto continúa una colaboración que ya ha dado lugar a otros modelos científicos abiertos, como Prithvi para observación terrestre y Surya para física heliocéntrica. La filosofía es la misma: ofrecer una base común que pueda especializarse y reutilizarse, en lugar de construir un algoritmo completamente nuevo para cada pregunta científica.
El momento de su lanzamiento no es casual. La preparación para el regreso de astronautas a la Luna con la misión Artemis exige entender mejor el lugar al que queremos regresar: dónde puede haber recursos, qué terrenos presentan riesgos, y cómo ha evolucionado la superficie. Eso exige nuevas infraestructuras, pero también entender muchísimo mejor el lugar al que queremos regresar. IBM y NASA llevan décadas acumulando las piezas de ese enorme mapa; este modelo intenta conseguir que encajen entre sí. Y quizá ahí esté una de las aplicaciones más interesantes de la IA científica: no sustituir a un nuevo instrumento, sino conseguir que todos los que ya hemos enviado al espacio empiecen, por fin, a trabajar juntos.