La NASA e IBM han lanzado un modelo de inteligencia artificial gratuito y de código abierto creado para ayudar a los científicos a analizar la superficie de la Luna, incluida la estimación de dónde el hielo de agua podría permanecer estable cerca de los polos lunares. El modelo NASA-IBM Lunar Foundation, anunciado el 10 de septiembre, está disponible en Hugging Face, con su código completo en GitHub. La NASA lo describe como uno de los primeros modelos de IA de código abierto creados específicamente para la ciencia lunar.
El uso más práctico del modelo es la exploración de recursos. IBM dijo que el hielo lunar indica la presencia de agua y oxígeno, recursos que describió como esenciales para una futura base lunar y para producir combustible para cohetes. Saber dónde es probable que persista el hielo puede ayudar a los planificadores a priorizar los lugares y los instrumentos de aterrizaje antes de que lleguen las tripulaciones.
El lanzamiento también se suma a una familia de modelos científicos de la NASA e IBM que ya cubren la observación de la Tierra y el clima espacial, trabajo que llega a la vida cotidiana a través del mapeo de inundaciones, el monitoreo de cultivos y el pronóstico de erupciones solares.
Capacitado con casi dos décadas de datos del Lunar Orbiter
Según la NASA, el modelo se formó principalmente con datos del Lunar Reconnaissance Orbiter, que ha cartografiado en detalle la mayor parte de la Luna durante 17 años y cuyo volumen de datos es mayor que el de todas las demás misiones planetarias de la NASA juntas. El entrenamiento utilizó aproximadamente 2 millones de mosaicos de imágenes, incluidas más de 1 millón de imágenes de cámaras con una resolución de 1 metro y casi 964.000 imágenes multiespectrales con una resolución de 100 metros.
El equipo también se basó en imágenes y datos del terreno de las misiones GRAIL y Lunar Prospector de la NASA y de SELENE de JAXA, también llamada Kaguya. IBM dijo que los investigadores construyeron un conjunto de datos unificado y listo para el aprendizaje automático de más de 30 capas alineadas espacialmente a partir de nueve instrumentos en cuatro misiones, que la compañía describió como el primer conjunto de datos lunares de código abierto de este tipo.
“La NASA ha pasado décadas construyendo un registro científico extraordinario de la Luna, pero la recopilación de datos es sólo una parte del trabajo”, dijo Kevin Murphy, director de datos científicos de la NASA y director interino de datos e inteligencia artificial. “También tenemos que hacer que los datos sean más fáciles de explorar y utilizar para los científicos”.
Los modelos básicos están preentrenados con grandes cantidades de datos sin etiquetar, de modo que los investigadores puedan adaptarlos a nuevas tareas con conjuntos de datos etiquetados relativamente pequeños. Esto puede ahorrar tiempo en comparación con la creación de un nuevo algoritmo para cada pregunta científica.
Hielo polar, formaciones volcánicas jóvenes y cráteres recientes
Según la NASA, las regiones permanentemente sombreadas cerca de los polos lunares permanecen lo suficientemente frías como para atrapar y preservar el hielo durante miles de millones de años. El modelo puede ayudar a estimar dónde es probable que se mantengan estables las manchas de hielo sobre y debajo de la superficie. Las imágenes comparativas de la NASA de cuatro ubicaciones cercanas a Mons Mouton, cerca del polo sur, muestran que el modelo conserva muchos patrones a escala fina en un mapa de prospectividad de hielo de referencia.
El modelo también puede acelerar la identificación de parches irregulares, características volcánicas inusuales que parecen relativamente jóvenes y desafían los cronogramas establecidos sobre cómo se enfrió la Luna. Puede mapear cráteres, que los científicos miden y cuentan para fechar las superficies lunares y que la NASA utiliza para evitar peligros al seleccionar los lugares de aterrizaje.
En una prueba, el modelo destacó un cráter recién formado cerca del cráter Einstein después del impacto del cuerpo de un cohete SpaceX, utilizando una imagen posterior al impacto que fue excluida del entrenamiento previo. La NASA dijo que el enfoque podría ayudar a los científicos a detectar impactos naturales y cambios en la superficie, aunque las diferentes condiciones de iluminación entre órbitas pueden afectar la visibilidad de los cráteres más pequeños.
“El modelo NASA-IBM Lunar Foundation proporciona a los científicos una base para explorar la Luna a escala, conectando observaciones entre instrumentos, revelando patrones que son difíciles de ver de forma aislada”, afirmó Juan Bernabe-Moreno, director de IBM Research Europe para el Reino Unido e Irlanda.
Verificación de evidencia sobre las afirmaciones de desempeño
Las cifras de rendimiento provienen de un informe técnico del equipo de desarrollo publicado con el modelo. IBM dijo que el modelo redujo el error en la identificación de áreas con alto potencial de hielo lunar hasta en un 22 por ciento en comparación con un modelo SwinV2-B, y superó a ese modelo en casi un 19 por ciento en el mapeo de cráteres con una resolución de aproximadamente 100 metros mientras usaba la mitad de los datos de entrenamiento. La NASA dijo que el modelo igualó o superó varios modelos de referencia sólidos en todas las tareas evaluadas, con una clara ventaja en la estimación de la estabilidad del hielo polar y resultados comparables en el mapeo de cráteres y el mapeo de parches irregulares.
Los lectores deberían sopesar esos resultados cuidadosamente. El informe fue escrito por investigadores de IBM y la NASA, y ninguna de las organizaciones lo ha descrito como revisado por pares de forma independiente. Un mapa de prospectividad del hielo estima dónde podría permanecer estable el hielo. No se trata de una detección de hielo, y para confirmar los depósitos aún se requieren instrumentos orbitales, módulos de aterrizaje o rovers. El modelo también hereda los límites de los datos con los que fue entrenado.
Hasta el momento no se habían publicado evaluaciones independientes realizadas por científicos lunares ajenos al equipo de desarrollo. Pruebas más amplias, que la versión abierta está diseñada para permitir, mostrarán qué tan bien se desempeña el modelo más allá de sus puntos de referencia.
Herramientas abiertas para investigadores, estudiantes y observadores de la Luna
El modelo se puede descargar gratis y el equipo también lanzó conjuntos de datos previos al entrenamiento y colecciones de referencia, con el modelo integrado en el kit de herramientas TerraTorch de código abierto. Su uso todavía requiere habilidades de aprendizaje automático y recursos informáticos, por lo que los usuarios más inmediatos son investigadores, equipos universitarios y estudiantes avanzados. El equipo Impact AI de la NASA en el Centro Marshall de Vuelos Espaciales construyó el modelo con los centros Goddard y Ames de la NASA y un equipo científico que incluía la Asociación de Investigación Espacial Universitaria, el Instituto SETI, la Universidad de Maryland, el condado de Baltimore y la Universidad Howard.
La NASA enumera los modelos Prithvi relacionados, que respaldan aplicaciones terrestres como mapeo de inundaciones, predicción del rendimiento de cultivos y predicción de huracanes, y el modelo Surya, que apunta al clima espacial, como las erupciones solares que pueden alterar las redes eléctricas y las operaciones de los satélites. Esas herramientas son las que los modelos científicos de IA llegan más directamente a los hogares, a través de mejores mapas de peligros y advertencias sobre el clima espacial.
Para cualquiera que tenga curiosidad sobre la Luna, la Noche Internacional de Observación de la Luna es el 19 de septiembre y la NASA enumera formas de participar. Los lectores no necesitan un software especial para seguir la ciencia, ya que la NASA e IBM publicaron explicaciones y mapas de muestra con el lanzamiento.
Lo que viene después depende de cómo los investigadores utilicen el modelo. Nature World News seguirá las evaluaciones independientes y cualquier nuevo mapa de prospectividad de hielo producido con él.
La conclusión: la NASA e IBM han puesto a disposición de forma gratuita una herramienta de mapeo lunar, con avances informados por los desarrolladores en la estimación de dónde podría durar el hielo cerca de los polos de la Luna. Esos resultados aún necesitan pruebas externas, y un mapa de IA de dónde podría persistir el hielo es una guía para la exploración, no una prueba de que haya hielo allí.
Lo que los lectores quieren saber
¿Qué lanzaron la NASA e IBM? El modelo NASA-IBM Lunar Foundation, un modelo de IA gratuito y de código abierto para analizar la superficie de la Luna, se anunció el 10 de septiembre y está disponible en Hugging Face y GitHub.
¿Qué datos lo entrenaron? Principalmente imágenes del Lunar Reconnaissance Orbiter, además de datos de GRAIL y Lunar Prospector de la NASA y SELENE de JAXA. IBM dijo que el conjunto de datos incluye más de 30 capas de nueve instrumentos en cuatro misiones.
¿Puede encontrar hielo de agua en la Luna? Estima dónde es probable que el hielo se mantenga estable, especialmente en las regiones polares permanentemente sombreadas. No detecta hielo directamente.
¿Qué tan preciso es? IBM informó un error hasta un 22 por ciento menor que un modelo de referencia común sobre la prospectividad del hielo, según un informe técnico de los desarrolladores. Aún no se han publicado evaluaciones independientes.
¿Qué más puede hacer? Mapee cráteres, identifique características volcánicas de apariencia joven llamadas parches de yegua irregulares y ayude a detectar nuevos cráteres de impacto entre observaciones.
¿Quién puede usarlo? Cualquiera puede descargarlo, pero utilizarlo de forma eficaz requiere experiencia en aprendizaje automático y recursos informáticos.
¿Cómo se conecta esto con la vida en la Tierra? Pertenece a una familia de modelos de la NASA e IBM que incluye Prithvi, utilizado para mapeo de inundaciones y cultivos, y Surya, destinado a pronosticar erupciones solares que pueden afectar las redes eléctricas y los satélites.
© 2026 NatureWorldNews.com Todos los derechos reservados. No reproducir sin permiso.