La Universities Space Research Association (USRA) ha contribuido con su experiencia en ciencia planetaria al lanzamiento del modelo de inteligencia artificial lunar de la NASA e IBM, una herramienta de código abierto diseñada para analizar los grandes conjuntos de datos recopilados por las misiones lunares. Desarrollado por una colaboración liderada por la NASA e IBM Research, el modelo se entrenó desde cero utilizando SomBench, un conjunto de datos lunar multimodal que contiene casi dos millones de paquetes de datos co-registrados en 11 modalidades y dos escalas espaciales. Este modelo integra información complementaria sobre la superficie lunar, incluyendo imágenes, topografía, geometría de iluminación, propiedades termofísicas, mineralogía, radar, gravedad y otros datos geológicos y ambientales.
La contribución de la USRA fue proporcionada por la doctora Rachel Slank, científica asociada del Instituto de Ciencia y Tecnología de la USRA, quien trabajó en el Centro de Vuelo Espacial Marshall de la NASA. Slank actuó como experta en ciencia planetaria, conectando las prioridades científicas con las características físicas de los datos para guiar el desarrollo del modelo. El modelo se evaluó en tres benchmarks: detección de cráteres, segmentación de manchas de mare irregular y regresión de prospectividad de hielo polar. En todas las pruebas, el modelo preentrenado igualó o superó a los modelos comparativos basados en ImageNet y a un modelo idéntico en arquitectura pero sin preentrenamiento lunar, demostrando una alta eficiencia en la etiqueta para la detección de cráteres.
El diseño multimodal permite al modelo aprender relaciones entre diferentes tipos de observaciones lunares, operando tanto en datos de gran escala regional como en datos de alta resolución de cámara. Al liberar el modelo preentrenado, el código de ajuste fino y los conjuntos de datos de referencia, el equipo busca proporcionar a la comunidad de ciencia planetaria y IA una base reutilizable para desarrollar nuevas aplicaciones de investigación lunar. Los recursos están disponibles a través de Hugging Face.