En una alianza orientada a transformar la exploración espacial, la NASA y la empresa IBM presentaron de manera conjunta un modelo fundacional de inteligencia artificial de código abierto. El desarrollo está diseñado para analizar la masiva cantidad de datos acumulados sobre la Luna y acelerar los descubrimiento científicos.
Este 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 los mapas de misiones clave de la NASA como Lunar Reconnasissance Orbite (LRO) y GRAIL, además de datos aportados por la Agencia Japonesa de Exploración Aeroespacial (JAXA).
Durante décadas, 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 obliga 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 detención 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 detención de depósitos de hielo de agua, un recurso vital para sostener misiones. La IA facilita la lectura precisa de regiones en sombra permanente, ubicada 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 fuerte, 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 la metodologías convencionales.
