La NASA e IBM presentaron un modelo fundacional de inteligencia artificial de código abierto entrenado con datos de misiones orbitales para analizar información lunar y acelerar descubrimientos científicos.
La NASA y la empresa IBM presentaron de manera conjunta un modelo fundacional de inteligencia artificial de código abierto diseñado para analizar datos acumulados sobre la Luna y acelerar descubrimientos científicos.
El modelo fue entrenado con más de 30 capas de datos recopilados durante décadas por nueve instrumentos a bordo de cuatro misiones orbitales. Entre los registros procesados figuran mapas de misiones de la NASA como Lunar Reconnaissance Orbiter (LRO) y GRAIL, además de datos aportados por la Agencia Japonesa de Exploración Aeroespacial (JAXA).
La recopilación continua de imágenes generó petabytes de información en bruto, cuya revisión manual resultaba lenta. Las herramientas de procesamiento previas solían estar limitadas a un solo parámetro, lo que obligaba a los especialistas a coordinar de forma fragmentada los diferentes archivos.
Durante las pruebas de validación, el algoritmo demostró una eficiencia un 19% superior en la detección de cráteres respecto a modelos existentes como SwinV2-B, empleando solo la mitad de los datos de entrenamiento. Asimismo, alcanzó un 3% más de precisión en la identificación de estructuras de origen volcánico.
El impacto de este modelo resulta prioritario ante las metas trazadas para el programa Artemis, la iniciativa de la agencia espacial estadounidense que busca enviar nuevamente astronautas a la superficie lunar y establecer una presencia sostenible.
Uno de los reportes más valorados del proyecto reside en la detección de depósitos de hielo de agua, un recurso vital para sostener misiones. La IA facilita la lectura precisa de regiones en sombra permanente, ubicadas en las cuencas del polo sur lunar, donde la luz solar no llega y los sensores tradicionales entregan señales complejas de interpretar.
La plataforma Hugging Face alberga el código fuente, la documentación y los conjuntos de entrenamiento, garantizando la disponibilidad libre y gratuita para universidades, organismos públicos y empresas del sector espacial privado.
Al tratarse de una arquitectura multimodal, el sistema puede adaptarse para estudiar múltiples variables simultáneamente. Puede cruzar métricas de composición mineralógica, temperatura de superficie y elevación, trazando diagnósticos integrales del suelo en una fracción del tiempo que demandaban las metodologías convencionales.