El modelo de código abierto fue entrenado con cerca de dos millones de imágenes y múltiples capas de información lunar. Puede adaptarse para cartografiar cráteres, estudiar formaciones volcánicas y estimar zonas donde el hielo podría permanecer estable, aunque sus resultados no equivalen a confirmar depósitos físicamente recuperables.
NASA e IBM lanzaron un modelo fundacional de inteligencia artificial desarrollado específicamente para analizar la superficie de la Luna, una herramienta abierta que busca acelerar tareas de cartografía, interpretación geológica y selección de zonas con condiciones favorables para la presencia de hielo en las regiones polares.
El denominado NASA-IBM Lunar Foundation Model fue presentado el 10 de septiembre y entrenado principalmente con observaciones obtenidas por el Lunar Reconnaissance Orbiter (LRO) de NASA, complementadas con información procedente de otras misiones estadounidenses y japonesas.
El desarrollo reúne inteligencia artificial, geología y teledetección en una misma plataforma y tiene una característica especialmente relevante para la exploración de recursos: permite combinar diferentes tipos de observaciones para estimar qué sectores presentan condiciones compatibles con la estabilidad del hielo lunar.
Eso no significa que la IA pueda confirmar por sí sola la existencia de un depósito de hielo ni determinar su volumen, concentración o eventual recuperabilidad. Los mapas generados funcionan como herramientas de prospectividad, destinadas a priorizar dónde deberían concentrarse observaciones, análisis y futuras misiones.
Cerca de dos millones de imágenes para entrenar el modelo
NASA informó que la base de entrenamiento incluye aproximadamente dos millones de mosaicos de imágenes, obtenidos principalmente durante los 17 años de funcionamiento del Lunar Reconnaissance Orbiter.
El conjunto contiene más de un millón de imágenes de alta resolución, con escalas cercanas a un metro por píxel, además de casi 964.000 imágenes multiespectrales de aproximadamente 100 metros por píxel.
A esos datos se sumaron observaciones y productos derivados de las misiones GRAIL y Lunar Prospector de NASA, junto con información de SELENE/Kaguya de la Agencia Japonesa de Exploración Aeroespacial, JAXA.
IBM detalla que el modelo utiliza una arquitectura multimodal y multirresolución capaz de integrar imágenes, topografía, información térmica, geometría de iluminación y otros productos de teledetección.
La base de datos preparada para el aprendizaje automático incorpora más de 30 capas espacialmente alineadas procedentes de nueve instrumentos y cuatro misiones, mientras que el entrenamiento central utiliza aproximadamente dos millones de conjuntos de datos distribuidos entre diferentes modalidades y resoluciones.
La ventaja de un modelo fundacional es que no necesita entrenarse completamente desde cero para cada nueva tarea. Una vez que aprende representaciones generales de la superficie lunar, los investigadores pueden adaptarlo con cantidades menores de datos etiquetados para problemas específicos.
Buscar dónde podría mantenerse estable el hielo
Una de las tres aplicaciones que NASA e IBM priorizaron corresponde a la prospección de hielo en los polos lunares.
Algunos cráteres cercanos a los polos contienen regiones permanentemente en sombra donde las temperaturas pueden mantenerse suficientemente bajas como para preservar agua congelada durante períodos extremadamente prolongados.
El modelo combina variables como temperatura máxima superficial, pendiente, orientación del terreno y profundidad estimada de estabilidad del hielo para reproducir mapas de prospectividad.
En estas pruebas, el NASA-IBM Lunar Foundation Model logró reducir hasta en 22% el error RMSE respecto de un modelo SwinV2 entrenado para la misma tarea. IBM presentó esa cifra de forma general como una mejora de hasta 22% en determinadas tareas de identificación geográfica, aunque técnicamente el resultado más fuerte corresponde a esta evaluación de prospectividad de hielo.
Hay una diferencia importante entre “prospectividad de hielo” y detección directa.
La propia documentación del modelo advierte que sus resultados de hielo reproducen un mapa construido mediante variables científicas y no representan mediciones físicas de hielo. La herramienta tampoco está validada para decisiones operacionales como certificación de lugares de aterrizaje o evaluación definitiva de riesgos.
Cráteres y estructuras volcánicas
Las otras dos áreas prioritarias son el reconocimiento de cráteres y el estudio de la historia volcánica lunar.
En imágenes con resolución de alrededor de un metro por píxel, el sistema alcanzó resultados comparables a modelos especializados en detección de cráteres. A escalas de aproximadamente 100 metros por píxel, superó al modelo de referencia SwinV2 en cerca de 19% utilizando solo la mitad de los datos de entrenamiento.
La automatización de este trabajo tiene valor científico porque la distribución, tamaño y densidad de los cráteres son herramientas utilizadas para estimar la antigüedad relativa de diferentes superficies lunares.
NASA también probó el modelo para reconocer irregular mare patches, pequeñas formaciones volcánicas cuya morfología ha despertado interés porque algunas parecen geológicamente jóvenes.
En esa tarea, IBM reportó una mejora cercana al 3% frente al modelo especializado utilizado como referencia, con menores requerimientos para adaptar la inteligencia artificial al nuevo problema.
Del hielo al agua, oxígeno e hidrógeno
El interés por localizar hielo en los polos lunares trasciende la investigación geológica.
El agua podría utilizarse potencialmente para consumo humano y, mediante procesos químicos, separarse en oxígeno e hidrógeno. El oxígeno tendría aplicaciones tanto para soporte vital como para sistemas de propulsión, mientras el hidrógeno puede emplearse como combustible.
Para futuras misiones de larga duración, producir parte de estos recursos en la Luna podría reducir la cantidad de masa que debe transportarse desde la Tierra.
Sin embargo, pasar de identificar un sector favorable a explotar un recurso requiere muchas etapas adicionales. Es necesario comprobar físicamente la presencia del hielo, determinar su distribución y concentración, caracterizar el material que lo contiene y evaluar tecnologías de extracción y procesamiento.
Por ello, el modelo de NASA e IBM debe entenderse como una herramienta de selección y priorización de objetivos, comparable conceptualmente con determinadas aplicaciones de inteligencia artificial empleadas en prospección geológica terrestre.
Una lógica cercana a la exploración minera
Para minería y exploración de recursos, la arquitectura resulta relevante más allá de la Luna.
Los equipos de exploración terrestre también combinan imágenes, geofísica, topografía, geoquímica y otros conjuntos de información para identificar patrones que pueden señalar zonas de interés antes de ejecutar campañas más costosas de terreno y perforación.
El modelo lunar trabaja bajo una lógica similar: integrar múltiples capas de información, reconocer relaciones difíciles de detectar de forma aislada y reducir el universo de sectores que requieren investigación posterior.
NASA e IBM liberaron tanto el modelo como su código y conjuntos de datos para que la comunidad científica pueda probarlo y adaptarlo. El sistema está disponible bajo un esquema abierto y forma parte de una colaboración que ya ha producido modelos fundacionales para observación terrestre y física solar.
Su aporte inmediato no es demostrar la existencia de reservas lunares aprovechables, sino ofrecer una nueva herramienta para convertir décadas de observaciones orbitales en objetivos científicos y geológicos más precisos. En el caso del hielo polar, esa capacidad podría ayudar a decidir dónde concentrar futuras observaciones e investigaciones destinadas a comprobar qué recursos existen realmente y bajo qué condiciones podrían utilizarse.
