El NASA-IBM Lunar Foundation Model, de código abierto y dedicado a la ciencia lunar, fue lanzado gracias a la colaboración continua entre NASA, IBM Research y diversas instituciones académicas. El modelo, entrenado principalmente con datos del Lunar Reconnaissance Orbiter (LRO) de NASA, está disponible en Hugging Face; todo el código se encuentra en GitHub.
El modelo busca facilitar el análisis rápido de grandes conjuntos de datos sobre la superficie lunar y contribuir así a la cartografía de la superficie, al estudio de su historia geológica y a la planificación de futuras investigaciones. A diferencia de los algoritmos que tradicionalmente se entrenan desde cero para cada misión, los modelos fundacionales se preentrenan con amplios conjuntos de datos sin etiquetar; posteriormente, pueden adaptarse a distintas tareas científicas utilizando una pequeña cantidad de datos etiquetados.
Los datos recopilados por LRO durante los últimos 17 años se utilizaron en el entrenamiento porque cubren detalladamente gran parte de la superficie lunar. Los datos generados por esta misión son más numerosos que los de todas las demás misiones planetarias de NASA juntas y ofrecen un mosaico de alta resolución de la Luna casi ininterrumpido. El modelo se entrenó con aproximadamente 2 millones de teselas de imágenes del conjunto de datos, compuesto por más de 1 millón de imágenes de cámara de alta resolución con una resolución de 1 metro y aproximadamente 964.000 imágenes multiespectrales con una resolución de 100 metros. También se utilizaron imágenes y datos del terreno de las misiones GRAIL y Lunar Prospector de NASA, así como de la misión Selenological and Engineering Explorer de JAXA. El modelo puede adaptarse a trabajos de cartografía de cráteres, identificación de formaciones volcánicas jóvenes y predicción de la ubicación del hielo cerca de los polos.
Por qué es importante
Este trabajo busca que los datos de la Luna dejen de ser archivos procesados únicamente para misiones individuales y se conviertan en una infraestructura de investigación común, adaptable a distintas preguntas científicas. El enfoque de código abierto podría permitir a los investigadores de la Luna desarrollar sus propios análisis sobre una base ya preparada y evaluar los mismos datos con diferentes fines. Esto podría reorganizar el proceso de procesamiento de datos, especialmente para los equipos que realizan cartografía de la superficie, estudios geológicos y planificación de investigaciones. Sin embargo, el grado de éxito del modelo en distintas tareas científicas y su capacidad de adaptación a situaciones ajenas a los datos utilizados durante el entrenamiento siguen siendo preguntas que deberán responderse a medida que se generalicen sus aplicaciones.
Antecedentes
NASA no es un nombre nuevo en el archivo de FikirPilot: en los últimos 90 días hemos publicado 29 noticias en las que aparece este nombre; la más reciente está fechada el 11 de septiembre de 2026.